0
DEPARTAMENTO DE CIENCIAS DE LA TIERRA Y LA CONSTRUCCIÓN
CARRERA DE INGENIERÍA GEOGRÁFICA Y DEL MEDIO AMBIENTE
TRABAJO DE TITULACIÓN, PREVIO A LA OBTENCIÓN DEL TITULO DE INGENIERÍA GEOGRÁFICA Y DEL MEDIO
AMBIENTE
TEMA: ANÁLISIS DE LA ESTIMACIÓN DE BIOMASA
FORESTAL MEDIANTE IMÁGENES RADAR Y
VEHÍCULOS AÉREOS NO TRIPULADOS - UAV DEL
PARQUE METROPOLITANO LA ARMENIA
AUTOR: GUASCAL SANGUÑA, ESTHER LILIANA
DIRECTOR: ING. KIRBY POWNEY, EDUARDO PATRICIO MG
SANGOLQUÍ
2018
i
CERTIFICADO DEL DIRECTOR DEL TRABAJO DE TITULACIÓN
DEPARTAMENTO DE CIENCIAS DE LA TIERRA Y CONSTRUCCIÓN
CARRERA DE INGENIERÍA GEOGRÁFICA Y DEL MEDIO AMBIENTE
CERTIFICACIÓN
Certifico que el trabajo de titulación, “ANÁLISIS DE LA ESTIMACIÓN DE
BIOMASA FORESTAL MEDIANTE IMÁGENES RADAR Y VEHÍCULOS
AÉREOS NO TRIPULADOS - UAV DEL PARQUE METROPOLITANO LA
ARMENIA” realizado por la señorita Guascal Sanguña, Esther Liliana ha sido
revisado en su totalidad y analizado por la herramienta de verificación de similitud
de contenido y/o plagio requisitos teóricos, científicos, técnicos, metodológicos y
legales establecidos por la Universidad de Fuerzas Armadas ESPE, por lo tanto, me
permito acreditar y autorizar a la señorita Esther Liliana Guascal Sanguña para que
lo sustente públicamente.
Sangolquí, 25 de Enero del 2018
………………………………
Ing. Eduardo Patricio Kirby Powney, Mg.
C. I.: 010261181-1
ii
AUTORÍA DE RESPONSABILIDAD
DEPARTAMENTO DE CIENCIAS DE LA TIERRA Y CONSTRUCCIÓN
CARRERA DE INGENIERÍA GEOGRÁFICA Y DEL MEDIO AMBIENTE
AUTORÍA DE RESPONSABILIDAD Yo, Guascal Sanguña, Esther Liliana, con cédula de identidad N° 172455149-2
declaro que este trabajo de titulación, “Análisis de la estimación de biomasa forestal
mediante imágenes Radar y Vehículos Aéreos no Tripulados - UAV del Parque
Metropolitano La Armenia” ha sido desarrollado considerando los métodos de
investigación existentes, así como también se ha respetado los derechos intelectuales
de terceros considerándose en las citas bibliográficas.
Consecuentemente declaro que este trabajo es de mi autoría, en virtud de ello me
declaro responsable del contenido, veracidad y alcance de la investigación
mencionada.
Sangolquí, 30 de Enero del 2018
…………………………….
Esther Liliana Guascal Sanguña
C.C.: 172455149-2
iii
AUTORIZACIÓN DE PUBLICACIÓN POR PARTE DE LA ESPE
DEPARTAMENTO DE CIENCIAS DE LA TIERRA Y CONSTRUCCIÓN
CARRERA DE INGENIERÍA GEOGRÁFICA Y DEL MEDIO AMBIENTE
AUTORIZACIÓN
Yo, Guascal Sanguña, Esther Liliana, con C.I. Nº 172455149-2 autorizo a la
Universidad de las Fuerzas Armadas ESPE publicar en su totalidad en el repositorio
Institucional el trabajo de titulación Tema: “Análisis de la estimación de biomasa
forestal mediante imágenes Radar y Vehículos Aéreos no Tripulados - UAV del
Parque Metropolitano La Armenia” cuyo contenido, ideas y criterios son de mi
responsabilidad.
Sangolquí, 30 de Enero del 2018
…………………………….
Esther Liliana Guascal Sanguña
C.C.: 1724551492-2
iv
DEDICATORIA
Esta tesis se la dedicó primeramente a Dios, por acompañarme en cada momento de
mi vida; a quienes me aman incondicionalmente y brindaron todo su esfuerzo para
cumplir con mis metas.
A mis padres Ramón y María, porque ellos han dado razón a mi vida, por sus
consejos, su apoyo y su paciencia, todo lo que hoy soy es gracias a ellos; de igual
manera a mis hermanos David, Edison y Dayana.
Liliana
v
AGRADECIMIENTO
Agradezco:
A mis padres y hermanos, por la confianza y apoyo incondicional y una persona en
especial, Jonathan.
A mis amigos y compañeros, por todos los momentos compartidos durante la carrera;
entre alegrías y tristezas.
También, no quiero dejar pasar la oportunidad para expresar mi más profundo y
sincero agradecimiento a las personas y organizaciones que han colaborado directa o
indirectamente en la realización de este trabajo:
A nuestros queridos docentes: Ing. Santiago Rojas, Ing. Eduardo Kirby, Dr. Marco
Luna y Dr. Oswaldo Padilla por sus acertadas orientaciones, seguimiento y
asesoramiento en todas las etapas de la investigación.
A la Universidad de las Fuerzas Armadas – ESPE, que abrió su puerta para formarme
como profesional de excelencia.
A la consultora Geokoncept, a través del Ing. Alberto Andrade y Adrián Carrera, por
su tiempo y auspiciantes del vuelo con UAV, herramienta clave en este proyecto.
Aquí se termina mi tesis, y con ella una etapa difícil y a la vez apasionante de mi vida,
que marca el inicio de otra llena de expectativas y nuevos retos.
Liliana Guascal
vi
ÍNDICE DE CONTENIDO
CERTIFICADO DEL DIRECTOR DEL TRABAJO DE TITULACIÓN .................. i
AUTORÍA DE RESPONSABILIDAD .................................................................... ii
AUTORIZACIÓN DE PUBLICACIÓN POR PARTE DE LA ESPE...................... iii
DEDICATORIA ..................................................................................................... iv
AGRADECIMIENTO ..............................................................................................v
ÍNDICE DE CONTENIDO ..................................................................................... vi
ÍNDICE DE TABLAS ..............................................................................................x
ÍNDICE DE FIGURAS ........................................................................................... xi
RESUMEN ............................................................................................................xiv
ABSTRACT ............................................................................................................. i
CAPITULO I ............................................................................................................1
1. GENERALIDADES .................................................................................1
1.1. Introducción ..............................................................................................1
1.2. Estudios relacionados ................................................................................3
1.3. Planteamiento del problema ......................................................................4
1.4. Justificación e importancia ........................................................................5
1.5. Área de influencia .....................................................................................6
1.6. Objetivos ..................................................................................................6
1.6.1. Objetivo General .......................................................................................6
1.6.2. Objetivos Específicos ................................................................................7
1.7. Metas ........................................................................................................7
CAPITULO II ...........................................................................................................8
2. MARCO TEÓRICO..................................................................................8
2.1. Teledetección ............................................................................................8
2.1.1. Definición .................................................................................................8
2.1.2. Componentes de un Sistema de Teledetección ..........................................8
2.1.3. Espectro Electromagnético ........................................................................9
2.1.4. Sensores .................................................................................................. 10
2.1.5. Resolución de un sistema sensor ............................................................. 11
2.2. Radar ...................................................................................................... 12
2.2.1. Definición ............................................................................................... 12
vii
2.2.2. Fundamentos Básicos .............................................................................. 13
2.3. Radar de apertura sintética (SAR) ........................................................... 18
2.3.1. Interacción de las ondas Radar con la superficie terrestre ........................ 19
2.3.2. Distorsiones de las imágenes ................................................................... 23
2.4. Plataformas Radar ................................................................................... 24
2.4.1. Imágenes Radar del Satélite ALOS – PALSAR ....................................... 25
2.5. Software para tratamiento de imágenes geoespaciales ............................. 28
2.5.1. Sentinel Application Plataform (SNAP Desktop) .................................... 28
2.5.2. ENVI ...................................................................................................... 28
2.6. Tratamiento de imágenes SAR ................................................................ 28
2.6.1. Corrección geométrica y radiométrica ..................................................... 29
2.7. Vehículos aéreos no tripulados (UAV) .................................................... 30
2.7.1. Clasificación de los UAV ........................................................................ 31
2.7.2. DJI Matrice 100 ...................................................................................... 32
2.7.3. Software fotogramétrico para UAV ......................................................... 35
2.7.4. Puntos de control terrestre ....................................................................... 35
2.7.5. Plan de Vuelo ......................................................................................... 36
2.8. Modelos del Digitales y Ortomosaico ...................................................... 36
2.8.1. Modelos Digitales de Terreno (MDT) ..................................................... 36
2.8.2. Modelos Digitales de Superficie (MDS) .................................................. 36
2.8.3. Modelo de Superficie de Cultivo (CSM) ................................................. 36
2.8.4. Ortomosaico ........................................................................................... 36
2.9. Biomasa .................................................................................................. 37
2.9.1. Definición ............................................................................................... 37
2.9.2. Métodos de estimación de biomasa forestal ............................................. 38
2.10. Estimación de biomasa por ecuaciones alométricas ................................. 38
2.10.1. Ecuación alométrica Potencial ................................................................ 39
2.11. Estimación de biomasa mediante Radar .................................................. 41
2.11.1. Modelo para estimar biomasa mediante Radar ........................................ 41
2.12. Estimación de biomasa mediante alta resolución espacial ........................ 42
2.12.1. Uso de índices de vegetación .................................................................. 42
2.13. Métodos básicos de muestreo en ecología vegetal ................................... 43
2.13.1. Diseño de muestreo ................................................................................. 43
viii
2.13.2. Tipos de muestreo de vegetación ............................................................. 43
2.13.3. Tamaño de la muestra ............................................................................. 45
2.14. Estadísticos de control de calidad ............................................................ 46
2.14.1. Coeficiente de Correlación lineal de Pearson ........................................... 46
2.14.2. Coeficiente de Determinación ................................................................. 47
CAPITULO III ....................................................................................................... 48
3. METODOLOGÍA ................................................................................... 48
3.1. Generalidades ......................................................................................... 48
3.2. Recopilación y levantamiento de la información geoespacial ................. 50
3.2.1. Recopilación de imagen Radar ................................................................ 50
3.2.2. Captura y proceso de imágenes UAV (Unmanned Aerial Vehicle) .......... 53
3.2.3. Recopilación y almacenamiento de CB y MDT de la zona de estudio ...... 58
3.3. Análisis de las metodologías de estimación de biomasa ........................... 60
3.3.1. Estimación de biomasa mediante ecuaciones alométricas ........................ 60
3.3.2. Estimación de biomasa mediante imagen Radar ...................................... 67
3.3.3. Estimación de biomasa mediante imágenes UAV .................................... 69
3.4. Control de calidad ................................................................................... 73
3.4.1. Análisis de la comparación de las diferentes metodologías ...................... 74
3.4.2. Validación de modelos para estimar biomasa .......................................... 77
CAPÍTULO IV ....................................................................................................... 80
4. RESULTADOS ...................................................................................... 80
4.1. Información geoespacial recopilada y levantada ...................................... 80
4.1.1. Resultado de la imagen Radar tratada y/o estandarizada .......................... 80
4.1.2. Resultado del procesamiento de imágenes con UAV ............................... 81
4.1.3. Resultado de la información secundaria recopilada (mapa base y MDT) . 83
4.2. Resultados del análisis de estimación de biomasa con alométria .............. 84
4.3. Resultados del análisis de estimación de biomasa con imagen Radar ....... 85
4.4. Resultados del análisis de estimación de biomasa mediante UAV ........... 88
4.4.1. Resultado de la estimación de biomasa por CMS (Crop Model Surface) . 88
4.4.2. Resultado de la estimación de biomasa por GNDVI ................................ 92
4.5. Resultados estadísticos de la comparación y validación ........................... 95
4.5.1. Resultado de la comparación de modelos ................................................ 95
4.5.2. Resultado del análisis de datos ................................................................ 96
ix
4.5.3. Resultado de la correlación entre modelos ............................................. 103
4.5.4. Resultado de la validación de los modelos 1, 2 y 3 ................................ 104
CAPITULO V ...................................................................................................... 108
5. CONCLUSIONES Y RECOMENDACIONES ..................................... 108
5.1. Conclusiones......................................................................................... 108
5.2. Recomendaciones ................................................................................. 110
REFERENCIAS BIBLIOGRÁFICAS................................................................... 112
x
ÍNDICE DE TABLAS
Tabla 1 Espectros más empelados en Teledetección ..................................................9
Tabla 2 Longitudes de Ondas más empleadas en la imagen Radar ........................... 13
Tabla 3 Combinación de polarización ..................................................................... 18
Tabla 4 Factores que influyen en la retrodispersión ................................................. 20
Tabla 5 Comparación de Sistema SAR .................................................................... 24
Tabla 6 Especificaciones técnicas ALOS ................................................................ 26
Tabla 7 Características técnicas PALSAR ............................................................... 26
Tabla 8 Productos PALSAR ................................................................................... 27
Tabla 9 Características técnicas del Matrice 100 ..................................................... 33
Tabla 10 Características técnicas de la cámara Zenmuse X3 BGNIR y RGB ........... 35
Tabla 11 Resumen de las técnicas para la estimación de biomasa ............................ 38
Tabla 12 Parámetros de estimación de biomasa ....................................................... 40
Tabla 13 Cálculo de la abscisa de la curva normal para un valor (Z) ....................... 46
Tabla 14 Bondad de ajuste en función del valor R2.................................................. 47
Tabla 15 Parámetros iniciales y resultantes del plan de vuelo .................................. 53
Tabla 16 Agrupación de datos obtenida por diferentes metodologías ....................... 76
Tabla 17 Coordenadas de los GCP postprocesadas con el TBC y sus precisiones .... 81
Tabla 18 Resumen de la estimación de biomasa por ecuaciones alométricas ........... 84
Tabla 19 Estimación de biomasa por imagen Radar ................................................ 87
Tabla 20 Resumen de la estimación de biomasa por CMS ....................................... 90
Tabla 21 Resumen de la estimación de biomasa por GNDVI ................................... 93
Tabla 22 Resultado de Biomasa Aérea Forestal obtenida por diferentes métodos .... 95
Tabla 23 Resultado de Biomasa Aérea Forestal obtenida para la validación .......... 104
xi
ÍNDICE DE FIGURAS
Figura 1 Parque Metropolitano La Armenia ..............................................................6
Figura 2 Componentes de un sistema de Teledetección .............................................8
Figura 3 Rango del Espectro Electromagnético .........................................................9
Figura 4 Principio de medición de distancia Radar. ................................................. 12
Figura 5 Funciones primordiales para capturar una imagen ..................................... 13
Figura 6 Identificación de objetos independientemente ........................................... 15
Figura 7 Geometría de un sistema Radar ................................................................. 15
Figura 8 Formación del ángulo de incidencia .......................................................... 16
Figura 9 Amplitud de la onda .................................................................................. 16
Figura 10 Diferencia de fase entre ondas ................................................................. 17
Figura 11 Tipos de polarización. ............................................................................. 17
Figura 12 Radar de apertura sintética SAR .............................................................. 18
Figura 13 Comportamiento reflectivo de superficies ideales .................................... 21
Figura 14 Tipos de reflexión según su relación geométrica ..................................... 22
Figura 15 Reflexión de las microondas según tipo de cubierta ................................. 22
Figura 16 Diferencia de distorsiones de las imágenes .............................................. 23
Figura 17 Geometría de las distorsiones topográficas .............................................. 29
Figura 18 Clasificación de UAVs por el tipo de Aeronave ...................................... 31
Figura 19 Plataformas UAV- Ala rotatoria ............................................................ 32
Figura 20 Matrice 100 ............................................................................................. 32
Figura 21 a) Cámara Zenmuse X3 RGB b) Cámara Zenmuse X3 BGNIR ............. 34
Figura 22 Muestreo aleatorio simple ....................................................................... 43
Figura 23 Punto - Centro – Cuadrado ...................................................................... 44
Figura 24 Metodología general del proyecto ........................................................... 49
Figura 25 Imagen Radar Alos Palsar ....................................................................... 50
Figura 26 Módulo de Range Doppler Terrain Correction ......................................... 51
Figura 27 Imagen Radar corregida geométricamente y radiométricamente .............. 52
Figura 28 Captura y proceso de imágenes obtenidas por UAV ................................ 53
Figura 29 Plan de vuelo en el software PrecisionFlight ........................................... 54
Figura 30 Distribución de puntos de control fotogramétrico .................................... 55
xii
Figura 31 Objetos identificables "marca" ................................................................ 56
Figura 32 Toma GCP .............................................................................................. 56
Figura 33 Tie points generado por PhotoScan ......................................................... 57
Figura 34 Puntos de control (GCP) del proyecto ..................................................... 58
Figura 35 Modelo Lógico de la base de datos geográfica ......................................... 59
Figura 36 Metodología para Estimación de la Biomasa Forestal alometria .............. 60
Figura 37 Mallado de 100x100 m. (1ha).................................................................. 61
Figura 38 Cobertura forestal al 20% ........................................................................ 62
Figura 39 Selección de parcelas para muestreo ........................................................ 63
Figura 40 Metodología punto - centro – cuadrado ................................................... 64
Figura 41 Medición del DAP .................................................................................. 65
Figura 42 Cálculo de biomasa individual de la parcela 1 ......................................... 66
Figura43 Metodología para Estimación de la Biomasa Forestal mediante Radar ..... 67
Figura 44 Nivel Digital del pixel ............................................................................. 68
Figura45 Metodología para Estimación de la Biomasa Forestal mediante CMS ....... 69
Figura 46 Obtención del CMS (Modelo de superficie de cultivo) ............................ 70
Figura47 Metodología para estimación de la Biomasa Forestal mediante GNDVI ... 71
Figura 48 Generación del GNDVI ........................................................................... 72
Figura 49 Modelo GNDVI del PresicionMapper ..................................................... 72
Figura 50 Metodología de la Fase 3 del proyecto .................................................... 73
Figura 51 Proceso para la obtención de AGB acumulada ........................................ 74
Figura 52 Parámetros estadísticos utilizados ........................................................... 75
Figura 53 Modulo Coeficiente de correlación .......................................................... 77
Figura 54 Subparcelas de validación de modelos ..................................................... 78
Figura 55 Agrupación de datos................................................................................ 79
Figura 56 Herramienta de correlación R2 ................................................................ 79
Figura 57 Imagen Radar estandarizada .................................................................... 80
Figura 58 Imágenes UAV guardadas en la Geodatabase .......................................... 81
Figura 59 Ortomosaico RGB ................................................................................... 82
Figura 60 Ortomosaico BGNIR ............................................................................... 82
Figura 61 MDS de la zona de estudio ...................................................................... 83
Figura 62 MDT de la zona de estudio ...................................................................... 84
xiii
Figura 63 Estimación de parámetros ....................................................................... 85
Figura 64 Análisis ANOVA .................................................................................... 86
Figura 65 Estimación de AGB mediante Radar ....................................................... 87
Figura 66 Coeficientes de la Regresión logarítmica ................................................. 89
Figura 67 Modelo de regresión logarítmica ............................................................. 89
Figura 68 Estimación de AGB mediante CMS ........................................................ 91
Figura 69 Coeficientes de la Regresión Cuadrática .................................................. 92
Figura 70 Modelo de regresión cuadrática ............................................................... 93
Figura 71 Estimación de AGB mediante GNDVI .................................................... 94
Figura 72 Resumen estadístico (Alometría) ............................................................. 96
Figura 73 Histograma de datos (Alometría) ............................................................. 97
Figura 74 Diagrama de caja de datos (Alometría) .................................................... 97
Figura 75 Resumen estadístico (Modelo 1) ............................................................. 98
Figura 76 Histograma de datos (Modelo 1) ............................................................. 99
Figura 77 Diagrama de caja de datos (Modelo 1) .................................................... 99
Figura 78 Resumen estadístico (Modelo 2) ........................................................... 100
Figura 79 Histograma de datos (Modelo 2) ........................................................... 100
Figura 80 Diagrama de caja de datos (Modelo 2) .................................................. 101
Figura 81 Resumen estadístico (Modelo 3) ........................................................... 101
Figura 82 Histograma de datos (Modelo 3) ........................................................... 102
Figura 83 Diagrama de caja de datos (Modelo 3) .................................................. 102
Figura 84 Resultados de las correlaciones ............................................................. 103
Figura 85 Estadísticos descriptivos ....................................................................... 105
Figura 86 Resumen del modelo ajustado ............................................................... 106
Figura 87 Ajuste de validación de los modelos:Modelo 1; Modelo 2;Modelo 3 ..... 106
xiv
RESUMEN
El objetivo del estudio, fue analizar dos metodologías en la estimación de
biomasa: mediante el uso de imagen Radar y UAV. El área de estudio fue el Parque
Metropolitano “La Armenia”, en el cual se establecieron 13 parcelas (1ha), se estimó
la biomasa forestal aérea y por ende su fijación de carbono aéreo. Se aplicó la
metodología modificada de Saatchi et al. (2007), desarrollando los algoritmos semi-
empíricos propuestos para la estimación de biomasa, con el fin de correlacionar los
datos de campo con los niveles digitales de la imagen Radar; alcanzándose un
coeficiente de correlación de 0.74, proporcionando así una clara relación entre datos
de campo y los coeficientes de retrodispersión; mientras que en la metodología usada
para UAV: en la estimación de biomasa aérea forestal mediante CMS (modelo 2 ) se
ajustó a una regresión logarítmica con un coeficiente de determinación r2 =0,67; en
cambio en la obtención del modelo 3 por GNDVI se ajustó a una regresión cuadrática,
con un coeficiente de determinación r2 =0,57 y se asemeja al estudio realiazado por
Moges, et al.,(2004). El ajuste de los tres modelos se define como una bondad de ajuste
positiva; concluyendo que el modelo 1 es mejor; sin embargo, es necesario indicar que
el modelo 1 no se ajusta a la realidad, ya que existe una gran diferencia entre las fechas
de toma de la imagen Radar versus los datos adquiridos en campo. Por lo tanto el
modelo 2 representa mejor la realidad, ya que puede caracterizar de mejor manera
cambios abruptos de la variable altura del árbol, debido a factores antrópicos y/o
naturales, como tala, quema, caída de un rayo en el árbol, etc., que el modelo 3 no
puede realizar. La estimación de biomasa y fijación de carbono en base a
observaciones directa del territorio a través de técnicas de teledetección, pueden
aportar información más fiable para la toma de decisiones en el desarrollo de las
políticas relacionadas con el manejo forestal sostenible de nuestro país.
PALABRAS CLAVE:
• BIOMASA
• RADAR
• RETRODISPERSION
• CMS
• GNDVI
i
ABSTRACT
The objective of the study was to analyze two methodologies in the estimation
of biomass: through the use of Radar image and UAV. The study area was the
Metropolitan Park "La Armenia", in which 13 plots were established (1ha), the aerial
forest biomass was estimated and therefore its fixation of aerial carbon. The modified
methodology of Saatchi et al. (2007), developing the semi-empirical algorithms
proposed for the estimation of biomass, in order to correlate the field data with the
digital levels of the Radar image; reaching a correlation coefficient of 0.74, thus
providing a clear relationship between field data and the backscattering /
backscattering coefficients; while in the methodology used for UAV: in the estimation
of forest aerial biomass by means of CMS (model 2) it was adjusted to a logarithmic
regression with a coefficient of determination r2 = 0.67; On the other hand, in the
obtaining of model 3 by GNDVI, it was adjusted to a quadratic regression, with a
coefficient of determination r2 = 0.57 and it is similar to the study carried out by
Moges, et al., (2004). The adjustment of the three models is defined as a goodness of
positive adjustment; concluding that model 1 is better; however, it is necessary to
indicate that model 1 does not conform to reality, since there is a great difference
between the dates of taking the Radar image versus the data acquired in the field.
Therefore model 2 represents reality better, since it can better characterize abrupt
changes of the tree's height variable, due to anthropic and / or natural factors, such as
felling, burning, lightning falling on the tree, etc. ., that model 3 can’t perform. The
estimation of biomass and carbon fixation based on direct observations of the territory
through remote sensing techniques, can provide more reliable information for decision
making in the development of policies related to sustainable forest management in our
country.
KEY WORDS:
• BIOMASS
• RADAR
• BACKSCATTERING
• CMS
• GNDVI
1
CAPITULO I
1. GENERALIDADES
1.1. Introducción
El calentamiento global es uno de los principales problemas ambientales que
afecta al planeta, debido a que este puede ocasionar cambios en el comportamiento
climático global, generando pérdida de biodiversidad, sequias, eventos de lluvias
torrenciales, desertificación entre otros. Se ha evidenciado que el incremento en las
temperaturas globales podría estar ligado al aumento de las concentraciones de gases
del efecto invernadero en especial el CO2, ya que, a medida que se incrementan sus
concentraciones en la atmosfera se han registrado mayores temperaturas medias y
máximas (Gutiérrez, 2010).
Como consecuencia, han surgido estrategias para reducir las concentraciones
de gases, algunas de estas consisten en conservar y aumentar las masas boscosas, no
solo por su capacidad de fijar CO2 naturalmente en forma de biomasa sino por las
funciones ecosistémicas que estos cumplen (Martinez & Fernandez, 2004).
Por esta razón, conocer la distribución y almacenaje de biomasa contribuye a
mitigar problemáticas de interés global como son el cambio climático y la desertificación.
Durante las últimas décadas, la estimación de carbono almacenado en la biomasa ha
despertado gran interés a partir de los compromisos internacionales como la Convención
Marco de Naciones Unidas sobre el Cambio Climático (CMNUCC) y el Protocolo de
Kyoto (Lucas, et al., 2010). Si bien existen numerosos métodos para estimar biomasa,
estos varían en la precisión de la estimación y en los costos para llevarlos a cabo.
Actualmente, existen diversos métodos para la estimación de la biomasa. Los
métodos de campo tradicionales proporcionan medios consistentes para evaluar la
biomasa, pero por lo general a un alto costo, consume mucho tiempo y presenta un
carácter local que es impreciso llevarlo a otras escalas, ya que a menudo implica un
2
muestreo destructivo en una cobertura geográfica limitada (Popescu, 2007). Dada estas
limitaciones en la estimación de biomasa de forma tradicional, los sensores remotos
han sido ampliamente usados con este objetivo en las últimas décadas.
Dentro de estas herramientas, en los últimos años se ha estudiado la
potencialidad de las imágenes de radar de apertura sintética (SAR) para este fin
(Nguyen, 2010), a partir de la intensidad del coeficiente de retrodisperción del SAR
de las distintas longitudes de onda, polarizaciones y su relación con la biomasa.
Estudios indican que a las longitudes de onda mayores (banda L y P) son las que
presentan mayor sensibilidad a la biomasa (Ghasemi, et al., 2011), esta característica
hace que las imágenes de Radar sean muy interesantes para estudiar propiedades
intrinsicas de la estructura vertical del bosque. Según Areu & Martinez (1997), Otra
característica positiva del Radar es su relativa independencia de la situación
meteorológica y, que, al ser un sistema activo que emite su propia señal, aporta un
conjunto de datos más controlado.
Por otro lado, el interés reciente de utilizar vehículos aéreos no tripulados,
Drones o UAV, por su sigla en inglés (Unmanned Aerial Vehicle), en el estudio de
forestal se debe a gran medida a los grandes beneficios que se obtienen mediante la
implementación de ellos; bajos precios y una logística fácil comparados con productos
satelitales, una alta resolución espacial y temporal como la posibilidad de tener
información espectral en diferentes regiones (visible e Infrarrojo) hacen de ellos una
gran herramienta para realizar monitoreo y seguimiento. Además los productos
resultantes son un insumo de primera mano para los estudios aplicados en agricultura
de precisión (AP) o en Sistemas de Información Geográfica (SIG) (Garcia & Herrera,
2015).
Los métodos basados en sensores remotos aerotransportados con vehículos
aéreos no tripulados, pueden ser utilizados para generar la información necesaria y
estimar la biomasa en un amplio rango de escalas. Estas estimaciones se pueden lograr
con los índices de vegetación y modelos de superfices de cultivos (CMS) (Bending, et
3
al., 2014). Estas herramientas son una fuente de información importante para el
conocimiento, gestión y monitoreo del territorio, teniendo como objetivo la toma de
decisiones en el desarrollo de las políticas relacionadas con el manejo forestal
sostenible de un país.
1.2. Estudios relacionados
Varios autores han desarrollado investigaciones relacionadas a la estimación
de biomasa, utilizando técnicas de teledetección (Radar y UAV) aplicadas al área
forestal; la mayoría de ellos se han elaborado en otros países como tesis de maestría y
doctoral, estos se exponen a continuación:
Drake, et al., (2003) en su proyecto de investigación titulado “Above‐ground
biomass estimation in closed canopy neotropical forests using lidar remote sensing:
factors affecting the generality of relationships” menciona que: la biomasa es la
cantidad total de material vegetativo presente en un área específica.
De igual manera Sola, et al., (2012), en su proyecto de investigación titulado
“Resumen del manual de construcción de ecuaciones alométricas para estimar el
volumen y la biomasa de los árboles: del trabajo de campo a la predicción” menciona
que: existen diversos métodos para estimar biomasa forestal, estos pueden ser
clasificados como destructivos o directos (cortar, secar y pesar el árbol) y no
destructivos o indirectos (ecuaciones alométricas). En cambio Hamdan, et al.,(2014),
en su proyecto de investigación titulado “L-Band ALOS PALSAR for biomass
estimation of Matang Mangroves” dice que las ecuaciones alométricas suelen incluir
tres variables: diámetro a la altura del pecho o DAP, altura del árbol y densidad de la
madera; a través de las cuales podemos obtener la biomasa forestal estimada en campo.
En los últimos años, Koch (2013) en su proyecto de investigación titulado
“Remote Sensing supporting national forest inventories NFA” indica que; la biomasa
aérea estimada mediante la combinación de datos de campo y sensores remotos, ha ido
ganando terreno, debido a que reduce costos, además de obtener información en zonas
4
de difícil acceso. Pero, a pesar de la gran información espacial existente y accesible,
el tema de estimación de biomasa forestal mediante sensores remotos sigue siendo un
desafío, sobre todo en ecosistemas tan complejos, como pueden ser en zonas de
permanente cobertura nubosa.
1.3.Planteamiento del problema
Hoy en día, la posibilidad de estimar la cantidad de biomasa forestal, en zonas
dominadas por especies forestales, resulta fundamental por su valor energético y su
relación directa con el carbono (Barrio, et al., 2006). Con el avance de la tecnología
geoespacial, la biomasa forestal ha sido estimada mediante la combinación de datos
de campo y sensores remotos, debido que reduce costos, además de obtener
información en zonas de difícil acceso.
Pero a pesar de la gran cantidad de información espacial accesible, el tema de
la estimación de la biomasa mediante la teledetección, especialmente por imágenes
Radar y UAV, sigue siendo un tema desconocido en el Ecuador; no obstante, la
geografía del país, presenta muchas regiones tropicales y bosques nublados, donde la
adquisición de la información, mediante sensores pasivos, son por decir, inaplicables,
provocando un alto costo en trabajos de campo, causando así, una mala gestión integral
de los bosques y espacios verdes.
Por tal razón, el desarrollo de esta investigación sirve de orientación al
momento de adaptar nuevas metodologías de estimaciones de biomasa forestal en
nuestro país; el cual, en los últimos años ha vivido un cambio radical en políticas
ambientales y gestión sostenible, es así, como este proyecto da inicio con el objetivo
de implementar e investigar metodologías de estimación de biomasa a través del uso
de imágenes Radar y UAV, para lograr una gestión sostenible de los recursos de los
bosques y espacios verdes, reduciendo costo y tiempo, para la toma de decisiones en
el desarrollo de las políticas relacionadas con el manejo forestal sostenible.
5
1.4. Justificación e importancia
En el Plan Nacional del “Buen Vivir” establece dentro del objetivo 7 lo
relevante de conservar el patrimonio natural para el Buen Vivir de la población
(SENPLADES, 2013); en la declaración de Durban (Congreso Forestal Mundial,
2015), estableció una visión de la contribución de los bosques al logro de la Agenda
2030 para el Desarrollo Sostenible, haciendo hincapié en el siguiente aspecto:
Los bosques gestionados de forma sostenible incrementan la resiliencia de los
ecosistemas y de las sociedades y permiten aprovechar de manera óptima la función
de los bosques y los árboles como sumideros y almacenes de carbono al mismo tiempo
que proporcionan otros servicios ambientales (Congreso Forestal Mundial, 2015).
Los parques metropolitanos sirven como áreas de recreación, mitigación al
cambio climático y reducción de la contaminación, siendo este último servicio crucial
para la ciudad (EPMMOP, 2012). Estos espacios verdes se les consideran como
descontaminantes naturales de las ciudades principalmente porque ayudan a purificar
el aire y proveen de oxígeno a las urbes (Sorense, et al., 1998). Por otro lado, la
posibilidad de estimar la cantidad de biomasa forestal, en zonas dominadas por
especies forestales, resulta fundamental por su valor energético y su relación directa
con el carbono (Barrio, et al., 2006)
Pero a pesar de la gran cantidad de información espacial accesible, el tema de
la estimación de la biomasa mediante la teledetección, especialmente por imágenes
Radar y UAV, sigue siendo un tema desconocido en el Ecuador; no obstante, la
geografía del país, presenta muchas regiones tropicales y bosques nublados, donde la
adquisición de la información, mediante sensores pasivos, son por decir, inaplicables,
provocando un alto costo en trabajos de campo, causando así, una mala gestión integral
de los bosques y espacios verdes. Es así, como este proyecto da inicio con el objetivo
de implementar e investigar metodologías de estimación de biomasa a través del uso
de imágenes Radar y UAV, para lograr una gestión sostenible de los recursos
forestales.
6
1.5. Área de influencia
El área de influencia comprende 48 ha., el mismo que abarcan el Parque
Metropolitano “La Armenia”, ubicado en el sector La Armenia del Valle de “Los
Chillos”, en la provincia de Pichincha, a 25 km Sur-Oeste de la ciudad de Quito (ver
Figura 1).
Figura 1 Parque Metropolitano La Armenia
Fuente: (Google Earth Pro, 2012)
1.6. Objetivos
1.6.1. Objetivo General
Analizar dos técnicas de teledetección con imágenes radar y vehículos aéreos no
tripulados – UAV en la estimación de biomasa forestal del Parque Metropolitano La
Armenia.
7
1.6.2. Objetivos Específicos
1. Recopilar y levantar la información geoespacial que forme parte de la zona
de estudio.
2. Analizar dos metodologías de estimación de biomasa mediante el uso de
imagen radar y vehículos aéreos no tripulados – UAV.
3. Comparar y validar la estimación de biomasa forestal obtenidos mediante
imágenes radar y vehículos aéreos no tripulados – UAV con datos
provenientes de ecuaciones alométricas (parámetros en campo).
1.7. Metas
• Una base de datos geográfica en relación a toda la información
recopilada.
• 1 Imagen Radar procesada/estandarizada.
• 1 Ortofoto y 1 MDS generado por UAV de la zona de estudio.
• 1 registro de trabajo de campo de la estimación de biomasa forestal.
• 2 Mapas temáticos de la estimación de la biomasa forestal: imágenes radar
y UAV.
• 1 tabla de resultados de la comparación de las técnicas aplicadas en este
estudio.
• 1 artículo estructurado científicamente para ser publicado en al menos una
revista indexada.
8
CAPITULO II
2. MARCO TEÓRICO
2.1. Teledetección
2.1.1. Definición
Es la ciencia y arte de obtener información con respecto de un objeto, área
fenómeno por el análisis de datos adquiridos por un sistema que no se encuentra en
contacto con el objeto, área o fenómeno de la investigación (Lillesand, et al., 2004).
De acuerdo con Chuvieco, (2007), la palabra “Teledetección” es una traducción latina
del término inglés Remote Sensing, ideado a principios de los sesenta para designar
cualquier medio de observación de un objeto o fenómeno sin establecer un contacto
físico con el mismo.
2.1.2. Componentes de un Sistema de Teledetección
Existe una fuente emisora de luz, que por lo general es el sol, que emite energía
como radiación electromagnética, que interactúa con la superficie terrestre en forma
de refracción, emisión o reflexión emisión y esta energía es captada por satélites que
convierten en datos y éstos son transmitidos a la tierra, ver Figura 2 (Chuvieco, 2007).
Fuente: (C.C.R.S, 2011)
A: Es necesario una fuente de energía
o de iluminación.
B: La energía emitida en forma de
radiación llega a la superficie terrestre.
C: La radiación interacciona con el
objeto.
D: El sensor obtiene información
sobre la energía recibida.
E: Transmisión, Recepción y
Figura 2 Componentes de un sistema de Teledetección
9
Continua
2.1.3. Espectro Electromagnético
Según Chuvieco, (2007), de acuerdo con la teoría ondulatoria, menciona que:
“la energía electromagnética se transmite de un lugar a otro siguiendo un modelo
armónico y continuo, a la velocidad de los campos de fuerzas ortogonales entre sí:
eléctrico y magnético”. Por sus características, el espectro electromagnético puede
definir cualquier tipo de energía según su longitud de onda y frecuencia, comprende
desde muy pequeñas como: rayos gama, x, pasando por el espectro visible e infrarrojo
hasta las muy grandes (kilométricas), de frecuencia muy alta como enlaces de radio
de gran distancia, con variados esquemas de aplicaciones y utilidades, como se
puede ver en la Figura 3.
Figura 3 Rango del Espectro Electromagnético
Fuente: (C.C.R.S, 2011).
En la Tabla 1, se describen los principales espectros que son empleadas en sistemas y
plataformas de teledetección:
Tabla 1
Espectros más empelados en Teledetección
Región o Banda Espectral Aplicación Longitud de Onda
(λ)
Visible
Azul - Es la única radiación que puede captar el ojo humano.
- En combinación de los tres rangos del espectro visible se puede discriminar principalmente:
0.4 - 0.5 µm
Verde 0.5 - 0.6 µm
10
Rojo suelo, agua, vegetación, nieve. 0.6 - 0.7 µm
Infrarojo Cercano
Puede detectarse mediante películas o sensores especiales y ayuda a discriminar masas vegetales y concentraciones de humedad.
0.7 - 1.3 µm
Infrarojo medio
En este espectro se entremezclan los procesos de reflexión de la luz solar y de emisión de la superficie terrestre.
1.3 - 8 µm
Infrarroja de Onda
Corta (SWIR)
Discrimina de manera efectiva humedad en la vegetación y en los suelos.
1.3 - 2.5 µm
Infrarrojo Medio (IRM)
Discrimina focos de alta temperatura como quemas y volcanes activos.
Alrededor de 3.7 µm
Infrarrojo Lejano o Térmico
Incluye la porción emisiva del espectro terrestre, en donde se detecta el calor proveniente de la mayor parte de las cubiertas terrestres.
8 a 14 µm
Microondas Con gran interés por ser un tipo de energía bastante transparente a la cubierta nubosa. (Radar)
Por encima de 1 mm a 1m
Fuente: Modificado de (Chuvieco, 1996)
2.1.4. Sensores
Según Cortéz (2010), los sensores remotos pueden ser clasificados de acuerdo
a diferentes criterios, entre ellos:
- Banda del espectro electromagnético utilizada
- Fuente emisora de energía
- Ubicación espacial de la fuente emisora y receptora de energía
- Información registrada
- Mecanismos utilizados para captar la información
Haciendo referencia al tema de estudio, se clasificará en función de la ubicación
espacial de la fuente emisora y de la fuente receptora de energía, de la siguiente
manera:
11
• Sensor mono-estático
Es aquel sensor que posee tanto la fuente de emisión de energía como la fuente
de recepción de energía. Es decir ambas fuentes, de emisión y recepción de energía,
ocupan la misma posición espacial. Ej. Sistema de radar.
• Sensor bi-estático
Es aquel sensor que posee solamente la fuente de recepción de energía. La
fuente de emisión de energía (el sol) tiene una posición espacial diferente. Es decir
ambas fuentes, de emisión y de recepción de energía, tienen posiciones diferentes. Ej.
Cámara fotográfica.
2.1.5. Resolución de un sistema sensor
Se define como la habilidad para discriminar información de detalle. El
concepto de resolución implica diversas manifestaciones, las más importantes se
detallan a continuación:
• Resolución espacial
Es la identificación por dimensión del objeto más pequeño que es
posible distinguir en una imagen. Viene definida por la mínima unidad espacial
para la que el sensor registra los datos, es decir lo que se denomina "píxel"
(Chuvieco, 2007).
• Resolución espectral
Indica el número y anchura de las bandas espectrales que puede
discriminar el sensor (Chuvieco, 2007).
• Resolución radiométrica
Esta mide el grado de susceptibilidad del sensor, es decir su capacidad
para detectar las variaciones en la intensidad de la energía que llega hasta él, la
misma se expresa en bits ("bit" es el acrónimo de dígito binario, que se expresa
en valores de 0 y 1).
12
• Resolución angular
Es la capacidad de un sistema de observar el mismo objeto desde
distintos ángulos (Chuvieco, 2007).
• Resolución temporal
También conocido como frecuencia de cobertura o periodo de revisita,
es el espacio de tiempo o recurrencia de tiempo para capturar imágenes de una
zona en concreto de la superficie terrestre (Chuvieco, 2007).
2.2. Radar
2.2.1. Definición
El Radar es un término que se deriva del acrónimo inglés (Radio Detection and
Ranging), es un sistema que usa ondas electromagnéticas para medir distancias,
altitudes, direcciones y velocidades de objetos móviles o estáticos, basando su
funcionamiento en la emisión de un pulso de onda de radio, que se refleja en el objeto
y se recibe en el transmisor, a partir del eco obtenido se puede extraer una gran cantidad
de información (ver Figura 4) (Skolnik & McGraw, 1980).
Figura 4 Principio de medición de distancia Radar.
Fuente: (Wiora, 2005).
13
2.2.2. Fundamentos Básicos
• Características de las ondas
El Radar captura información en el espectro electromagnético, donde se
presentan las microondas, que abarcan un rango de longitudes de onda entre 1 mm y 1
m. En la Tabla 2 se observa las longitudes de ondas más empleadas.
Tabla 2
Longitudes de Ondas más empleadas en la imagen Radar
Banda Longitud de Onda
(cm)
Frecuencia (GHz)
Utilización en Radar
Ventaja
Banda P
30 - 100 0,3 - 1 Exploración de muy largo alcance
Longitudes de onda más largas, permiten la penetración en nieve, en coberturas vegetales; en determinadas condiciones, la penetración en la arena y en el suelo.
Banda L
15 - 30 1 - 2 Exploración de largo alcance
Banda C
3.75 - 7.5 4 - 8 Seguimiento de corto alcance
La radiación en estas bandas tienden a reflejarse más en los doseles de la vegetación, en la acumulación de nieve, y en coberturas de suelo, permitiendo la caracterización de estos tipos de superficies
Banda X
2.4 - 3.75 8 – 12,5 Seguimiento de muy corto alcance
Fuente: modificado de (IGN, 2015)
La capacidad de penetrar a través de las nubes o a través de la capa superior de la
corteza terrestre aumenta con la longitud de onda.
• Proceso de captura de las imágenes Radar
En la Figura 5 se describe el proceso de captura de un sistema Radar, es decir
que dispone de su propia fuente de luz; realizando tres funciones primordiales para
capturar una imagen:
Figura 5 Funciones primordiales para capturar una imagen
Fuente: (IGN, 2015)
14
1) Transmitir señales de microondas hacia la Tierra: el sensor Radar emite su
propio flujo de energía en sensor activo. Esta emisión se hace mediante pulsos
muy controlados en cuanto a: longitud de onda-frecuencia, amplitud de la onda
(energía), polarización y fase.
2) El sensor recoge la parte del pulso que ha sido reflejada en su dirección,
denominada “eco”. El sensor mide con exactitud la cantidad de energía
recibida, la polarización y la fase, y además mide el tiempo transcurrido entre
la emisión del pulso y el eco recibido. Con estos datos se formarán las imágenes
Radar.
3) Recibir o Receptar la porción de la energía transmitida, que se refleja hacia
el sensor desde la superficie iluminada.
• Geometría de la imagen y conceptos básicos
En cuanto a la geometría, los sistemas Radar se caracterizan porque capturan
las imágenes lateralmente, puesto que se consideran dos direcciones (ver Figura 6): la
dirección paralela a la trayectoria del satélite y la dirección perpendicular a su
trayectoria que darán lugar a dos resoluciones distintas; por tanto la resolución del
sensor tiene dos dimensiones:
- Resolución en Azimut:
En un Radar convencional, la resolución en la dirección de azimut se determina
por el ancho angular del haz. Para que dos objetos puedan ser identificados
independientemente, deben estar separados en la dirección del azimut por una distancia
mayor al ancho del haz en el terreno. La anchura del haz es inversamente proporcional
a la longitud de la antena (también denominada apertura) del instrumento radar, de
modo que una mayor antena o apertura producirá un haz más estrecho y una mayor
resolución.
15
Figura 6 Identificación de objetos independientemente
Fuente: modificado de (IGN, 2015)
- Resolución en Alcance:
La resolución en la dirección del alcance se determina por las características
del Radar y depende de la longitud de onda del pulso transmitido; un pulso corto
proporciona mejor resolución. La señal del radar se graba en el dominio del alcance.
Esta señal, ya en forma digital, se proyecta al plano del terreno al procesar la imagen
(ver Figura 7).
Figura 7 Geometría de un sistema Radar
Fuente: (IGN, 2015)
También es importante definir conceptos básicos en la geometría Radar, como son:
- Angulo de incidencia
Es el ángulo formado entre el vector de iluminación del Radar y la normal a la
superficie de la Tierra en cada punto concreto del terreno. La superficie en cada punto
16
depende de la orientación y de la pendiente del terreno en ese punto y por tanto, el
ángulo de incidencia es distinto en superficies llanas que elevadas. El ángulo de
incidencia cambia a lo largo de la dirección de alcance, por tanto, la geometría de
visualización en una misma imagen, es distinta en esta dirección (ver Figura 8) (IGN,
2015).
Figura 8 Formación del ángulo de incidencia
Fuente: (IGN, 2015)
En cuanto a las características de las ondas Radar, además de la longitud de onda y
frecuencia, hay que conocer otros conceptos:
- Amplitud de la onda
Determina la capacidad o contenido de energía de la onda. Inversamente
relacionado con la longitud de onda (a mayor longitud de onda, el contenido energético
es menor).
Figura 9 Amplitud de la onda
Fuente: (IGN, 2015)
17
- Fase de la onda
Fracción del periodo transcurrido desde el instante correspondiente al estado
tomado como referencia. En teledetección Radar la fase se utiliza para comparar dos
ondas (es decir, para calcular el desfase)
Figura 10 Diferencia de fase entre ondas
Fuente: (IGN, 2015)
- Polarización
Los sistemas Radar según Lira (2010), transmiten comúnmente ondas planas
polarizadas ya sea, horizontal o verticalmente; estas ondas corresponden a la
orientación del vector eléctrico de la onda electromagnética. Las antenas Radar envían
y reciben energía polarizada. Esto significa, que el pulso de energía es filtrado de modo
que la onda eléctrica vibre en un único plano perpendicular a la dirección de
propagación (ver Figura 11).
Figura 11 Tipos de polarización.
Fuente: (EORC, 2010)
Cuando la energía transmitida es polarizada en la misma dirección que la
recibida, al sistema se le conoce como de polarización similar, en cambio si la energía
18
transmitida se polariza en una dirección ortogonal a la recibida, al sistema se le conoce
como de polarización cruzada. En la Tabla 2.3 se observan las distintas combinaciones
de polarización.
Tabla 3
Combinación de polarización
Combinaciones Nombre Ventaja
HH Transmisión horizontal /
recepción horizontal Tienden a detectar la difusión de los objetos orientados en la misma dirección que la onda incidente y sus retornos de retrodispersión son más fuertes. VV
Transmisión vertical / recepción vertical
HV Transmisión horizontal /
recepción vertical
Sirven para detectar la respuesta de retorno a partir de dispersiones múltiples, tales como, la difusión en el dosel de bosques, o la de rebote múltiple (v.g. suelo–árbol la que determina la respuesta de retorno del tronco)
VH Transmisión vertical / recepción horizontal
Fuente: modificado de (Birk, et al., 1995)
2.3. Radar de apertura sintética (SAR)
El Radar de apertura sintética SAR, es un radar activo que emite la energía en
el intervalo de frecuencias de microondas (unos centímetros), en un período pequeño
de tiempo y recibe los ecos provenientes de reflexiones de la señal en los objetos dando
lugar a una apertura sintética; es decir, debido a la gran velocidad de desplazamiento
del vehículo espacial (7,5 Km/s aproximadamente), la antena del dispositivo SAR se
convierte en una antena virtual de mayor tamaño (ver Figura 12).
Figura 12 Radar de apertura sintética SAR
Fuente: (IGN, 2015)
19
Los Sistemas SAR pueden ser aerotransportados o satelitales, con cobertura
regional y mundial, con una periodicidad que se puede ajustar a las necesidades. Son
sistemas coherentes que conservan tanto la fase y la magnitud de cada señal de retorno;
algunos parámetros de funcionamiento del sistema, tales como; la incidencia y el
ángulo de aspecto, la frecuencia con la que opera el sistema, y las polarizaciones del
mismo, afectan a la amplitud del eco, así como las características de retrodispersión
del objetivo (Birk, et al., 1995).
2.3.1. Interacción de las ondas Radar con la superficie terrestre
• Coeficiente de retrodispersión (σ0/Sigma0)
Como ya se ha mencionado antes, los sensores Radar emiten un pulso de
radiación electromagnética y miden el pulso o eco de retorno que recibe la antena. La
relación entre la potencia del pulso de retorno y la del pulso emitido inicialmente
(sección transversal de Radar) describe la interacción entre la radiación y el objeto
iluminado (Alvarez, 2005); por lo tanto, el coeficiente de retrodispersión es el reflejo
de la onda enviada por el Radar que contiene la información sobre la superficie en la
que rebota. En tal virtud, se puede definir también como la respuesta de todas las
cubiertas presentes en una imagen.
Sin embargo, en teledetección se utiliza el concepto de coeficiente de
retrodispersión (σ0), que corresponde a la σ por unidad de área del terreno y representa el
comportamiento dispersivo de los elementos presentes dentro de un pixel. El valor de σ0
depende de las propiedades físicas y del material iluminado; así como, de la longitud de
onda, la polarización y el ángulo de incidencia (Henderson & Lewis, 1998). Es una
magnitud adimensional (m2/m2), pero debido a que puede variar diversos órdenes de
magnitud, se suele expresar de forma logarítmica en decibelios (dB).
Su expresión en la forma adimensional se suele referir a menudo como en unidades
lineales (ver Ecuación 1) (Alvarez, 2005).
�� = �� ���
�� → �� � = 10 ∗ ������� ���� [1]
Según Chuvieco (2007), el coeficiente de retrodispersión toma valores mayores cuanto
más intensa sea la señal de retorno.
20
• Características que influyen en σ0
A continuación en la Tabla 4, se ilustra los factores que influyen en el
coeficiente de retrodispersión agrupados en dos bloques: factores intrínsecos que
dependen del propio sistema radar y factores extrínsecos que dependen de las
características de las cubiertas/superficies:
Tabla 4
Factores que influyen en la retrodispersión
Factores que afectan a la retrodispersión Factores que dependen del sensor (intrínsecos)
Factores que dependen de las cubiertas (extrínsecos)
Longitud de onda Rugosidad de la superficie Distancia antena-objeto terrestre Observado
Humedad (contenido en agua)
Ángulo de incidencia Geometría del terreno Polarización
Fuente: (IGN, 2015)
Factores que no dependen de las cubiertas:
- La longitud de onda de la señal emitida por el sensor Radar, determina la
capacidad de la señal para penetrar: en la cubierta nubosa o en la lluvia (cuanto
mayor sea λ, mejor penetración), en la cubierta vegetal y en el suelo desnudo
(grandes λ son capaces de penetrar en el suelo varios metros). Y rugosidad
relativa de la superficie considerada.
- El ángulo de incidencia influye en la capacidad de retorno de la señal: a mayor
ángulo menor será el pulso de retorno puesto que la dispersión será también
menor y viceversa. Pero con ángulos bajos aumenta el efecto sombra y las
deformaciones del relieve.
- La distancia antena-objeto, está relacionada con la observación lateral: la
intensidad de la señal observada decrece con la distancia a la antena SAR
(mayor respuesta en superficies cercanas).
- La polarización de las ondas también afecta a la retrodispersión: por ejemplo,
la polarización HH tiene mayor capacidad de penetración en el suelo, la
polarización VV es más sensible cuando la vegetación se distribuye en hileras,
21
y las polarizaciones cruzadas (HV o VH) son más sensibles a elementos que
aparecen aislados o sin una disposición espacial clara.
Factores que dependen de las cubiertas/superficie:
- La rugosidad de la superficie influye en la reflexión de la energía de las
microondas, lo que provoca la brillantez de una imagen de Radar. En la Figura
13, se observa el comportamiento reflectivo de superficies ideales
Figura 13 Comportamiento reflectivo de superficies ideales
Fuente: (Schott, 2009)
Generalmente, una superficie se considera lisa si sus variaciones de altura son
considerablemente menores que la longitud de onda del Radar. Para una longitud de
onda determinada, una superficie es relativamente más rugosa al aumentar el ángulo
de incidencia; en cambio una superficie rugosa se define como: aquella que tiene
variaciones de altura del orden de la mitad de la longitud de onda del Radar. En las
imágenes Radar las superficies rugosas aparecen más brillantes que en las superficies
lisas, aunque estén compuestas de los mismos materiales (Chuvieco, 2007).
- La relación entre la geometría del Radar y la de la superficie
Algunos objetos pequeños pueden aparecer extremadamente brillantes en las
imágenes de Radar, dependiendo de su configuración geométrica que son los
reflectores angulares. El lado de un edificio o un puente, combinado con reflexión
procedente del terreno es un ejemplo de reflector angular (ver Figura 14).
22
Figura 14 Tipos de reflexión según su relación geométrica
Fuente: (IGN, 2015)
- El contenido en humedad de la superficie
La presencia de humedad aumenta la constante dieléctrica de un material, esta
constante se define como una medida de la permitividad estática relativa de un
material. Esto hace que la apariencia de materiales idénticos pueda ser diferente, según
la cantidad de humedad que contengan. La reflectividad, y en consecuencia, la
brillantez de la imagen de la vegetación y de las superficies naturales aumenta con el
contenido en agua (superficies y cubiertas vegetales húmedas poseen alto coeficiente
de retrodispersión y las cubiertas secas poseen bajo coeficiente de retrodispersión) (ver
Figura 15).
Figura 15 Reflexión de las microondas según tipo de cubierta
Fuente: (IGN, 2015)
23
2.3.2. Distorsiones de las imágenes
Debido a que la dirección de observación de los radares es oblicua, se producen
ciertas distorsiones que no aparecen en las imágenes capturadas con sensores ópticos
(ver Figura 16). En la imagen óptica y más pronunciada en fotos aéreas, los objetos
altos se observan desplazados radialmente alejándose del nadir. En cambio, en las
imágenes de radar la distorsión del terreno es perpendicular a la trayectoria del vuelo
o del satélite; es decir, los objetos más altos se observan desplazados hacia el sensor.
Figura 16 Diferencia de distorsiones de las imágenes
Fuente: (IGN, 2015)
A continuación se describen las distorsiones más comunes que se pueden producir en
las imágenes Radar:
- Sombras: la región de la superficie del terreno que no se ilumina por el Radar
se representa como sombra en la imagen. Ya que no se recibe señal a partir de
estas regiones, las sombras aparecen con tonos muy oscuros (IGN, 2015).
- Moteado (o esfecto speckle): es el factor dominante en las imágenes Radar.
Confiere a las imágenes una apariencia de tipo granular (alta frecuencia de
cambio: tipo “sal y pimienta”; éste es debido a la suma de ondas
electromagnéticas con diferentes fases que provocan constantes interferencias
constructivas y destructivas debidas a las continuas difracciones de la señal
recibido en un píxel. (Schubert & Small, 2008).
24
Continua
- Inversión por relieve: se produce cuando la energía reflejada por la porción
superior de un objeto se recibe antes que la que proviene de la porción inferior.
En este caso, al procesar la imagen, la parte superior del objeto se verá
desplazada, o ‘puesta por encima’ de su base (C.C.R.S, 2011).
2.4. Plataformas Radar
En la actualidad, la mayoría de los satélites con instrumentos son de uso militar,
aunque están aumentando cada día las aplicaciones civiles y científicas de las imágenes
Radar; por otro lado, la mayoría de plataformas de observación de la Tierra llevan a
bordo sensores ópticos aunque también están en aumento el número de plataformas
Radar (López & Denore, 1999). En la Tabla 5 se van describir algunas de estas
plataformas.
Tabla 5
Comparación de Sistema SAR
Sistema Frecuencia de Banda
Cobertura
Ángulo de Incidencia
Resolución Altitud Geomtería Orbital
Inclinación
Colección de datos
Repetición de ciclo
AIRSAR/TOPSAR
P (0.4 GHz) L (1.25 GHz) C (4.6 GHz)
12 km de ancho x 60 km de largo
0° - 70° Seleccionable
Alcance: 4 - 8 m Azimuth: 4 - 8 m
8 - 12 km
N/A N/A 6 horas por vuelo
Según requerimiento
IFSARE X (9,6 GHz) 5 - 16 km (10 km normalmente)
30° - 60° (45° normalmente)
Alcance: 3 m Azimuth: 3 m Precisión de altura: 1 - 3 m
6.1 - 12.2 km
N/A N/A 3 horas por 5 horas de misión
Según requerimiento
P-3/SAR L (1.28 GHz) C (5.3 GHz) X (9.35 GHz) UWB(350 MHz)
4.9 - 9.8 km
20° - 70° Alcance: 1.5 o 3 m
5, 10, 20 kft
N/A N/A 7 - 10 horas
Según requerimiento
STAR-2 X (9.4 gHz) Modo 1: 65 km x 2 Modo 2: 100 km x 2
60° - 85° Modo 1: Alcance: 15 m Azimuth: 15 m > 10 vistas
12 km N/A N/A 6 horas por vuelo
Según requerimiento
ALMAZ-1 S (3.125 GHz)
25 km 30° - 55° Alcance: 15 - 30 m Azimuth: 15 m
270 - 380 km
N/A 73° Fuera de servicio
5 - 7 días
25
ERS-1 C (5.3 GHz) 100 km 19.35° - 26.5°
Alcance: < 33 m Azimuth: < 30 m
785 km Polar, Sincronizada con el sol
98.5° 12 minutos por órbita
35 días
JERS-1 L (1.275 GHz)
75 km 38.5° Alcance: 18 m Azimuth: 18 m
568 km Polar, Sincronizada con el sol
97.7° 20 minutos por 96 minutos de órbita
44 días
RADARSAT
C (5.3 GHz) 45 - 500 km (depende del modo de operación)
10° - 60° (depende del modo de operación)
Alcance: 11 - 100 m Azimuth: 9 - 100 m
798 km Circular, Sincronizada con el sol
98.6° 28 minutos por 100 minutos de órbita
24 días
SIR-C L (1.28 GHz) C (5.3 GHz)
15 - 90 km
17° - 63° Alcance: 8 - 30 m Azimuth: 30 m
225 km Órbita terrestre baja
57° 50 horas por vuelo
N/A
X-SAR X (9.6 GHz) 15 - 40 km
17° - 63° Alcance: 30 m Azimuth: 30 m
225 km Órbita terrestre baja
57° 50 horas por vuelo
N/A
Fuente: tomado de (Birk, et al., 1995)
2.4.1. Imágenes Radar del Satélite ALOS – PALSAR
Según la European Space Agency, el satélite avanzado de observación terrestre
(ALOS), fue lanzado el 24 de enero del 2005 y cuenta con tres instrumentos de
teledetección:
• Instrumento de mapeo estéreo con sensor remoto pancromático
(PRISM), para la cartografía digital de elevación con una resolución
de 2,5 metros.
• Un radiómetro avanzado tipo 2, en rango visible e infrarrojo cercano
(AVNIR- 2) para la observación precisa de la cobertura del suelo.
• Radar de Apertura Sintética de colección de fases de banda L
(PALSAR), encargado de permitir la observación de la Tierra durante
todo el tiempo (European Space Agency, 2007).
En la Tabla 6 se presenta las especificaciones técnicas para ALOS.
26
Continua
Tabla 6
Especificaciones técnicas ALOS
CARACTERISTICAS SENSOR ALOS Fecha de lanzamiento Enero 24, 2006 Vehículo de lanzamiento H-IIA Sitio de lanzamiento Centro Espacial Tanegashima Peso de plataforma Aprox. 4 ton Energía generada Aprox. 7 kW (hasta fin de operación) Tiempo de vida 3 -5 años
Órbita
Sincronizado con el sol, sub recurrente Ciclo de repetición: 46 días Sub ciclo: 2 días Altitud: 691.65 km (desde el Ecuador) Inclinación: 98.16
Determinación de la precisión de actitud
2.0 x 10-4°(with GCP)
Determinación de la precisión de posición
1m (fuera de línea)
Transferencia de datos 240Mbps (via relevo de datos en tecnología satelital) 120Mbps (Transmisión directa)
Memoria de datos en plataforma
Disco sólido (90Gbytes)
Fuente: modificado de (EORC, 2010).
El Radar de Apertura Sintética por fases de banda L (PALSAR), es un sensor
de microondas activo que utiliza frecuencias de banda L, que permite la observación
de la Tierra ya sea de día o de noche; penetrando nubes, niebla o lluvia (Birk, et al.,
1995). Además dispone de un modo de observación ScanSAR, el que permite adquirir
imágenes con ancho de 250 a 350 km; en la Tabla 7 se describen las características del
sistema.
Tabla 7
Características técnicas PALSAR
CARACTERÍSTICAS SISTEMA PALSAR Modo Fino
ScanSAR Polarimetría experimental (modo 1)*
Centro de frecuencia
1270 MHz(L-band)
Ancho de banda del eco
28 MHz 14 MHz 14 MHz, 28 MHz
14 MHz
Polarización HH o VV HH+HV o VV+VH
HH o VV HH+HV+VH+VV
Ángulo incidente
8° - 60° 8° - 60° 18° - 43° 8° - 30°
Alcance 7 - 44 m 14 - 88 m 100 m (multi look)
24 - 89 m
27
Continua
Franja de observación
40 - 70 km 40 - 70 km 250 - 350 km 20 - 65 km
Longitud de Bit
5 bits 5 bits 5 bits 3 o 5bits
Velocidad de datos
240 Mbps 240 Mbps 120 Mbps, 240 Mbps
240 Mbps
NE sigma zero **
< -23 dB (ancho de franja 70 km) < -25dB (ancho de franja 60 km)
< -25 dB < -29 dB
S/A **,*** > 16dB (ancho de franja 70 km) > 21dB (ancho de franja 60 km)
> 21 dB > 19 dB
Precisión radiométrica
Escena: 1 dB / órbita: 1.5 dB
Fuente: modificado de (EORC, 2010)
El sistema PALSAR no puede observar las zonas más allá de 87,8 grados de
latitud norte y 75,9 grados de latitud sur, cuando el ángulo fuera del nadir es de 41,5
grados.
* Debido al consumo de energía, el tiempo de operación será limitado.
** Válido para el ángulo fuera del nadir de 34,3 grados. (Modo Fina), 34,1 grados.
(Modo ScanSAR), 21,5 grados. (Modo Polarimétrico).
*** S / A nivel puede deteriorarse debido a los cambios de ingeniería en PALSAR.
• Productos PALSAR
Existen varios productos que proporciona PALSAR estos se describen en la Tabla 8.
Tabla 8
Productos PALSAR
Nivel de Procesamiento
Definición
1.0
• Los datos del área de la escena 1 se extraen de los datos recibidos. • El número de archivos de datos de SAR es el mismo que el número
de polarizaciones en el caso de modos de polarización y de polarimetría duales.
• Esto corresponde a los productos de datos en bruto listo para ser procesado en un único complejo aspecto (L1.1) o imágenes de precisión (L1.5).
• Tipo de datos: 8 bits (I) + 8 bits (Q)
28
1.1
• Simple vista de productos complejos (SLC). • Provee una geometría inclinada. • Conservación de productos de fase. • Espaciado natural de píxeles • Tipo de datos: 32 bits (I “in-phase”) + 32 bits (Q “quadrature”)
1.5
• Productos detectados. • Provee una geometría sobre el terreno. • Varias vistas en alcance y azimut. • Se puede seleccionar un modo fino para el espaciado de píxeles. • Las latitudes y longitudes en el producto se calculan sin tener en
cuenta la altura del terreno pero en base a GRS80 elipsoide. • 16 bits de un número entero sin signo
Fuente: (European Space Agency, 2007)
2.5. Software para tratamiento de imágenes geoespaciales
2.5.1. Sentinel Application Plataform (SNAP Desktop)
SNAP Desktop es copyleft, publicado por la Fundación de Software Libre,
reúne una variedad de herramientas, con el objetivo de ofrecer la plataforma más
complej; sus funciones más básicas son; abrir un producto, explorar los componentes
del producto, como bandas, máscaras y cuadrículas de puntos de unión. Además es un
software especializado en tratamiento de imágenes satelitales ópticas e imágenes
Radar (ESA, 2012).
2.5.2. ENVI
Es un software comercial, especializado en el procesamiento y análisis de
imágenes geoespaciales utilizado por profesionales GIS, científicos, investigadores y
analistas de todo el mundo. ENVI soporta imágenes obtenidas de numerosos tipos de
satélites y sensores aerotransportados, incluyendo pancromáticos, multiespectrales,
hiperespectrales, Radar, Lidar y más (SIGSA, 2012).
2.6. Tratamiento de imágenes SAR
Los datos contenidos en las imágenes SAR deben tratarse para poder relacionar
los valores digitales de cada pixel con los correspondientes valores de coeficiente de
backscattering sigma0 (σ0) (Frulla, et al., 1998). Por ello deben realizarse algunos
29
procesos, como por ejemplo: corrección geométrica, radiométrica, filtros,
combinaciones, etc.
2.6.1. Corrección geométrica y radiométrica
Debido a las variaciones topográficas de una escena y la inclinación del sensor
del satélite, las distancias pueden distorsionarse en las imágenes SAR. Los datos de la
imagen que no están directamente en la ubicación Nadir del sensor tendrán cierta
distorsión. Las correcciones de terreno están destinadas a compensar estas distorsiones
de modo que la representación geométrica de la imagen sea lo más parecida posible al
mundo real (ESA, 2012).
La geometría de las distorsiones topográficas en las imágenes SAR se observa
en la Figura 17. Aquí podemos ver que el punto B con la elevación h por encima del
elipsoide se representa en la posición B' en la imagen SAR, aunque su posición real es
B". El desplazamiento Δr entre B' y B" muestra el efecto de las distorsiones
topográficas.
Figura 17 Geometría de las distorsiones topográficas
Fuente: (ESA, 2012)
• Algoritmo de ortorectificación
En la corrección geométrica de las imágenes SAR, se usa el método de
Ortorrectificación de Corrección Rango Doppler (Schubert & Small, 2008), el mismo
30
que sirve para geocodificar imágenes SAR a partir de una única geometría Radar raster
2D, el cual utiliza la información del vector de estado de la órbita disponible en los
metadatos, las anotaciones temporales del Radar, los parámetros de conversión de
rango inclinado a Tierra, junto con los datos del modelo de elevación digital (DEM);
los que sirven para obtener la información de geolocalización precisa (ESA, 2012).
• Normalización Radiométrica
La corrección radiométrica implica una normalización radiométrica basada en el
enfoque propuesto por Kellndorfer et al. (1998), en la que describe la siguiente
ecuación:
������ = ���� !��"�
� #$% &'()#$% &(*+,-.+'(
[ 2]
Dónde
������ = denominado “sigma0”, banda real del coeficiente de retrodispersión
θ DEM = ángulo de incidencia local
θ ELIPSOIDE = ángulo de incidencia elipsoidal
���� !��"�� = sigma elipsoidal, expresadas en términos de σ0 y ángulo de incidencia
2.7. Vehículos aéreos no tripulados (UAV)
Un UAV, de sus siglas en inglés Unmanned Aerial Vehicle; por definición, es
un vehículo aéreo no tripulado, capaz de mantener un vuelo controlado y sostenido,
también es una aeronave sin piloto a bordo que puede ser controlado de forma remota
o volar de forma automática mediante planes de vuelo pre-programados (Rovira,
2011).
31
2.7.1. Clasificación de los UAV
A la hora de establecer una clasificación para los UAV se pueden utilizar
diferentes criterios; es frecuente utilizar una clasificación ateniendo a la forma en la
que las aeronaves consiguen su sustentación en la atmosfera (tipo de aeronave del
UAV) (Figura 18).
Figura 18 Clasificación de UAVs por el tipo de Aeronave
Fuente: (Barrientos, et, 2007)
De manera general, existen dos tipos de plataforma: de ala fija y de ala
rotatoria. En función del objetivo buscado, será necesario el empleo de una plataforma
u otra.
- UAV con ala Rotatoria
Según Díaz (2015), los aparatos con ala rotatoria son aquellos en los cuales, las
fuerzas de sustentación se logran mediante el giro de las hélices en el aire, siendo estos
aparatos también conocidos como multirrotores o helicópteros (ver Figura 19), las
características más importantes de estos son:
• Despegue y aterrizaje vertical, reduciendo las necesidades de espacio para las
maniobras de aterrizaje y despegue.
• Mayor maniobrabilidad y precisión de vuelo, ya que los sistemas de ala fija
siguen trayectorias curvilíneas, con radios de giro relativamente grandes y
32
velocidades de ascenso y descenso bastantes estrictas; sin embargo los
multirrotores pueden volar siguiendo cualquier trayectoria en las tres
dimensiones.
• El diseño de los multirrotores permite embarcar cargas de pago más
voluminosas.
Figura 19 Plataformas UAV- Ala rotatoria
Fuente: (Yuste Martín et al., 2013)
2.7.2. DJI Matrice 100
Según la empresa comercial DJI, el cuadracóptero “DJI Matrice 100 (M100)”
es un drone multirotor que ha sido desarrollado para testar nuevos desarrollos
incluyendo hardware y software, lo que permite fácilmente montar otros sensores (ver
Figura 20).
Figura 20 Matrice 100
Fuente: (Yuste Martín et al., 2013)
33
Continua
La empresa DJI en el año 2014, en su sitio web detalla las características
principales con las que cuenta el sistema “DJI Matrice 100” son (ver Tabla 9):
Tabla 9
Características técnicas del Matrice 100
CARACTERÍSTICAS IMPORTANTES DEL MATRICE 100
ESTRUCTURA
Distancia diagonal entre ejes 650 mm
Peso (con la batería TB48D)
2431 g
Max. Peso de despegue
3600 g
Peso de la plataforma de expansión
45 g
Peso del compartimiento de la batería
160 g
Peso del Gimbal con cámara Zenmuse X3
247 g
PERFORMANCE
Max. Paso de velocidad angular 300 ° / s, Yaw: 150 ° / s
Max. Ángulo de inclinación 35 °
Max. Velocidad de ascenso 5 m / s
Max. Velocidad de descenso 4 m / s
Max. Resistencia al viento 10 m / s
Max. Velocidad - 22 m / s (modo ATTI, sin carga, sin viento)
- 17 m / s (modo GPS, sin carga, sin viento)
Altura máxima de vuelo 3000 m
Tiempo de vuelo (con la batería TB48D)
Carga útil: 28 min; 500g de carga útil: 20 min, 1kg de carga útil: 16 min
Tiempo de vuelo (con dos baterías TB48D) Sin carga útil:
40 min
Tiempo de vuelo (con batería TB48D y Zenmuse X3) Sin carga útil:
23 min
SISTEMA DE PROPULSIÓN
Modelo de motor DJI 3510
Modelo de propulsor DJI 1345s
Modelo ESC DJI E SERIES 620D
OTRO
Temperatura de funcionamiento
-10 ° C a 40 ° C
SISTEMA DE CONTROL DE VUELO
Modelo N1
CONTROL REMOTO Nombre C1
34
Frecuencia de funcionamiento
5.725 ~ 5.825 GHz
922,7 MHz - 927,7 MHz (Japón)
2,400 ~ 2,483 GHz (Lightbridge)
Distancia de transmisión (sin obstáculos, libre de interferencias)
CE: 3.5 km
FCC: 5 km
EIRP 10dBm @ 900M
Salida de video
USB, Mini-HDMI
Fuente de alimentación
Batería incorporada
Cargador
Cargador aprobado por DJI
Capacidad de doble usuario
Control maestro y automático
Soporte para dispositivos móviles
Compatible +con smartphones y tablets
Potencia de salida
9 W
Temperatura de funcionamiento
-10 ° C a 40 ° C
Fuente: modificado de (DJI, 2014)
La cámara tiene un sistema de estabilización (Gimbal), que junto con el sensor
Zenmuse X3 (RGB) incorporado y 3 motores, centran y compensan automáticamente
las imágenes capturadas (ver Figura 21 y Tabla 10) y también cuenta con un sistema
de autopiloto N1, que permite conectarse a aplicaciones para Smartphone o Tablet que
realizan toda la planificación de vuelo y se conectan al control remoto para realizar el
vuelo (DJI, 2014).
a b
Figura 21 a) Cámara Zenmuse X3 RGB b) Cámara Zenmuse X3 BGNIR
Fuente: (DJI, 2014)
35
Tabla 10
Características técnicas de la cámara Zenmuse X3 BGNIR y RGB
CARACTERÍSTICAS TÉCNICAS
Video Graba video 4K a hasta 30FPS o video 1080P a hasta 60FPS
Fotogramas
Fotogramas de 12 megapíxeles
Lente
9 elementos en 9 grupos que incluyen un elemento esférico
Sensor CMOS de 1 / 2.3 pulgadas
FOV angular de 94⁰
Libertad Completa gama de 360⁰, que le da libertad ilimitada.
Cardan 3 ejes ayudan a producir imágenes suaves y estables en cualquier condición de vuelo.
Focal Focal de 20 mm sin distorsión
Fuente: modificado de (DJI, 2014)
2.7.3. Software fotogramétrico para UAV
- Agisoft PhotoScan
Es un software de tipo comercial e independiente que realiza el procesamiento
fotogramétrico de imágenes digitales y genera datos espaciales en 3D. Además Agisoft
PhotoScan es una solución de software fotogramétrica independiente para la
generación automática de nubes de puntos densas, modelos poligonales texturizados,
ortomosaicos verdaderos georreferenciados y DSM / DTM a partir de imágenes
estáticas (Agisoft, 2015).
2.7.4. Puntos de control terrestre
Estos puntos son parte fundamental dentro de procesos fotogramétricos;
permiten generar un proceso de ortorectificación con coordenadas de alta precisión
(IGN, 2015). Para lograr obtener los puntos de control terrestre, se utiliza equipos
GNSS (Sistema Global de Navegación por Satélite), alcanzando precisiones
centimétricas. Existen diversos métodos de posicionamiento, aunque los más
conocidos para fotogrametría son:
36
- RTK Real Time Kinematic / Cinemático en Tiempo Real
- Fast Static/ Estático Rápido
2.7.5. Plan de Vuelo
Según Burbano (2015), define el plan de Vuelo como “un conjunto de cálculos
previos a la realización de un vuelo fotogramétrico, mediante los cuales se organizan
las operaciones que permitan conseguir el fin propuesto bajo unas condiciones
establecidas previamente”.
2.8. Modelos del Digitales y Ortomosaico
2.8.1. Modelos Digitales de Terreno (MDT)
Son modelos de datos ráster, que representan el relieve a nivel del suelo.
Describe los accidentes geográficos y todos los elementos que se encuentren sobre la
superficie del terreno (INEGI, 2010).
2.8.2. Modelos Digitales de Superficie (MDS)
En este caso, el MDS, representa todos los elementos que se encuentran sobre
la superficie del terreno, estos elementos pueden ser: la copa de los árboles, las
edificaciones, el tendido eléctrico, etc (INEGI, 2010).
2.8.3. Modelo de Superficie de Cultivo (CSM)
Según Bending, et al., (2014), lo define como una diferencia de alturas entre el modelo
digital de superficie y el modelos digital del terreno.
2.8.4. Ortomosaico
Se define como una composición de imágenes a la que se le han corregido todos
los errores geométricos para que cada punto en el terreno sea observado desde una
perspectiva perpendicular.
37
También se le conoce como una representación fotográfica de una zona de la
superficie terrestre, en la que todos los elementos presentan la misma escala, libre de
errores y deformaciones (Flynorth, 2015).
2.9. Biomasa
2.9.1. Definición
De acuerdo a la Real Academia Española (RAE), la biomasa se define como
“la materia total de los seres vivos que viven en un lugar determinado, expresada en
peso por unidad de área o volumen”.
Según Garcia & Martinez (2014), atendiendo a la procedencia la biomasa se
puede clasificar en: Natural, Forestal y Residual. Para este proyecto se define la
biomasa forestal como aquella que procede del cultivo de madera, mediante prácticas
silvícolas, de los restos de madera y de la limpieza de montes y/o bosques (Grupo
Empresarial ENCE, 2009).
La biomasa de los bosques, proporciona certeras estimaciones de las reservas
de carbono en la vegetación forestal, ya que aproximadamente el 50% de la misma, es
de carbono. En consecuencia, la biomasa representa la cantidad potencial de carbono
que puede ser añadido a la atmósfera como dióxido de carbono (CO2) cuando el bosque
es talado y/o quemado (Brown, et al., 1989).
Se ha comprobado que el CO2 es el principal responsable del efecto
invernadero, causante del cambio climático, a pesar que solo representa el 0,03% de
los gases de la atmósfera, es por ello, que la biomasa permite estimar las fijaciones de
carbono de las plantas y se relacionan directamente con los procesos de cambio
climático globales. En tal virtud, se hace necesario saber cuánta biomasa se pierde o
se acumula (Montero & Muñoz, 2005).
38
2.9.2. Métodos de estimación de biomasa forestal
Se han presentado diferentes enfoques al momento de describir una
metodología para la estimación de la biomasa, en la Tabla 11 se resume las principales
técnicas.
Tabla 11
Resumen de las técnicas para la estimación de biomasa
CATEGORÍA MÉTODOS DATOS CARACTERISTICAS
Método basado en mediciones de campo
Muestreo destructivo Ecuaciones Alométricas Conversión de volumen en Biomasa
Muestreo de árboles Muestreo de árboles Volumen de muestreo de árboles o de tablas estándares
Árboles individuales Árboles individuales Árboles individuales, Estándares de vegetación
Método basado en Sensores Remotos
Método basado en alta/media/gruesa resolución espacial Método basado en datos Radar
Fotografía Aérea, IKONOS
Por nivel de píxel
Landsat TM/ETM+, SPOT
Por nivel de píxel
IRS-1C WiFS, AVHRR Por nivel de píxel
Radar, LiDAR Por nivel de píxel
Método basado en Sistemas de Información Geográfica
Basado en datos auxiliares
Elevación, pendiente, precipitación, Tipo de suelo, Etc.
Por nivel de píxel o nivel de campo
Fuente: (Lu, 2006)
2.10. Estimación de biomasa por ecuaciones alométricas
Este método consiste en utilizar ecuaciones alométricas, las mismas que son
ecuaciones matemáticas que permiten estimar el volumen, biomasa o el carbono de los
bosques en función de parámetros de medición como es el DAP (Diámetro a la altura
del Pecho, altura del árbol y densidad); también es conocido como un modelo
destructivo que utilizan métodos de regresión (Rojas, 2015).
Existen gran variedad de modelos para estimar la biomasa de un árbol o de sus
fracciones, pero todas las ecuaciones proceden de alguna de las siguientes funciones
matemáticas (Diéguez, et al., 2003):
39
• Lineal: b = b0 + b1 ⋅ x1 + ...+ bj⋅xj [ 3]
• No lineal: b = b0 ⋅ x1b1 ⋅ x2
b2 ⋅... ⋅ xjbj [ 4]
• Logarítmica: log b = b0 + b1 ⋅ log x1 + b2 ⋅ log x2 + ...+ bj ⋅ log xj [ 5]
Donde:
- b = biomasa seca total o de alguno de los componentes del árbol.
- xj = variables (DAP, altura y densidad).
- bj = parámetros del modelo
2.10.1. Ecuación alométrica Potencial
La ecuación más comúnmente utilizada, es la alométrica (potencial) aplicada
en este estudio, ya que relaciona la biomasa seca total o la biomasa seca de alguno de
los componentes del árbol con el diámetro normal. La ecuación tiene la siguiente
forma:
0 = 1. �3 [ 6]
Donde:
- y = Biomasa seca total, o de alguno de los componentes del árbol expresada en
kg.
- α, β = parámetros estimados en función del modelo (especie analizada).
- d = DAP (Diámetro a la altura del pecho) o diámetro normal.
La ecuación [6] no es lineal, por lo que su expresión logarítmica sería:
y = α +7 ln � [ 7]
- Coeficiente de corrección
Sin embargo, según Baskerville (1972), la transformación logarítmica
introduce un sesgo (subestimación) en los cálculos. Para la eliminación de este sesgo,
40
el resultado final debe ser multiplicado por un factor de corrección (CF), calculado a
partir del error estándar de la estimación (SEE). Este valor del coeficiente de
corrección es calculado según la siguiente expresión:
:; = <-((�
� [ 8]
Por tanto, desde la ecuación logarítmica se llega a obtener los valores
modulares de biomasa (kg de materia seca) con la re-transformación y aplicación del
coeficiente de corrección, utilizando los parámetros de la Tabla 12.
Tabla 12
Parámetros de estimación de biomasa
Especie y Parámetros
R2adj SEE
α β Cupressus
Macrocarpa Biomasa –2,21637 2,35162 0,998 0,073801
Acacia melanoxylon Biomasa -1,87511 2,29843 0,999 0,014718
Eucalyptus Globulus Biomasa –2,20421 2,38196 0,974 0,157850
Pinus radiata Biomasa –2,61093 2,48739 0,977 0,193270
Fuente: (Montero & Muñoz, 2005)
- Calculo de biomasa por hectárea
Según Páez (2014), para escalonar este valor a toneladas por hectárea, se
multiplica el valor obtenido en la totalidad de las parcelas, por el factor de conversión
según el tamaño de la parcela empleado como se describe a continuación:
BA (Kg/árbol) x (1Tn/1000 Kg) x FC (árbol/1ha)= BA (Tn/ha) [ 9]
Donde:
- BA = biomasa aérea en Kg Tn
- FC = Factor de conversión según el tamaño de la parcela empleado.
41
- Conversión de biomasa a carbono
En la mayoría de estudios, cuando se trata del tema de almacenamiento de
carbono, se asume que el contenido de carbono corresponde al 50% de biomasa,
usando así, un factor de 0,5 para transformar la biomasa forestal en contenido de
carbono aéreo (CAC) (Rügnitz, et al., 2009).
- Conversión de carbono acumulado a CO2 equivalente
El dióxido de carbono equivalente, corresponde a la medida métrica utilizada
para comparar las emisiones de varios gases del efecto invernadero, basada en el
potencial de calentamiento global de cada uno. Para convertir a cantidad de carbono
almacenada en bosques naturales el (IPCC, 2006), recomienda usar la siguiente
ecuación:
:=>?�@A� = :B: ∗ 3,67 [ 10]
Donde:
- CAC = Contenido de carbono aéreo
- 3,67 = factor que resulta de dividir el peso atómico de una
molécula de dióxido de carbono (44) por el peso específico del
carbono (12)
2.11. Estimación de biomasa mediante Radar
En este tipo de estimación de biomasa se trabaja con datos tipo Radar y se
maneja a nivel de pixel (Lu, 2006).
2.11.1. Modelo para estimar biomasa mediante Radar
El modelo modificado de Saatchi et al. (2007) tiene una forma cuadrática para
imitar aproximadamente la pérdida de sensibilidad de la difusión de radar en valores
42
de biomasa más altas. Mediante la sustitución de AGB (Forest Aboveground Biomass)
por su logaritmo natural log (AGB) y los coeficientes de retrodispersión en decibelios
como 10 log (σ0), la forma modificada del modelo de regresión puede escribirse como:
�G�BH�� = A� + A��II� + A>�II
� > + AJ�IK� + AL�IK
� > [ 11]
Donde:
o Ln (AGB) = se refiere al logaritmo natural de la AGB(Biomasa Área Forestal/
Forest Aboveground Biomass)
o σNN� = intensidad de retrodispersion de HH �σ�, dB�
o �IK� = intensidad de retrodispersion de HV �σ�, dB�
2.12. Estimación de biomasa mediante alta resolución espacial
En este tipo de estimación de biomasa se trabaja con datos tipo de fotografía
aérea y se maneja a nivel de pixel (Lu, 2006).
2.12.1. Uso de índices de vegetación
Los índices de vegetación son medidas cuantitativas, basadas en los valores
digitales, que tienden a medir la biomasa o vigor vegetal; además es una combinación
de bandas espectrales que son sumados, divididos, o multiplicados en una forma
diseñada para producir un simple valor que indique la cantidad o vigor de vegetación
dentro de un píxel (Diaz, 2015).
- GNDVI
Éste es, una variante del NDVI que utiliza la banda del verde en lugar de la del
rojo (Kemerer, 2007). Su fórmula es la siguiente:
43
H[\]^ = ���_`�������a`���� [ 12]
2.13. Métodos básicos de muestreo en ecología vegetal
2.13.1. Diseño de muestreo
En los estudios ecológicos, el diseño de muestreo es la parte que requiere mayor
cuidado, ya que éste determina el éxito potencial de un experimento, y de éste depende
el tipo de análisis e interpretación a realizarse. Existen algunos tipos de muestreo que
son muy simples de utilizar, entre ellos tenemos el muestreo aleatorio simple, muestreo
aleatorio estratificado y muestreo sistemático (Mostacedo & Fredericksen, 2000).
• Muestreo aleatorio simple
Es el esquema de muestreo más sencillo de todos y de aplicación más general
(ver Figura 22). Este tipo de muestreo se emplea en aquellos casos en que se dispone
de poca información previa acerca de las características de la población a medirse.
Figura 22 Muestreo aleatorio simple
2.13.2. Tipos de muestreo de vegetación
Según Mostacedo & Fredericksen (2000), para que un muestreo sea lo
suficientemente representativo y confiable, debe estar bien diseñado. Esto quiere decir
que la muestra a tomarse debe considerar la mayor variabilidad existente en toda una
población, existe diferentes tipos de muestreo de vegetación entre los cuales tenemos:
- Transectos
44
- Transectos variables
- Cuadrantes
- Punto centro cuadrado
- Líneas de intercepción
- Puntos de intercepción
- Muestreos fitosociológicos
Haciendo referencia al tema de estudio vamos a centrarnos en el muestreo
puntos centro cuadrado.
• Punto-centro-cuadrado
El punto-centro-cuadrado es uno de los métodos usados, principalmente, para
el muestreo de árboles. Las ventajas de este método son la rapidez de muestreo, el poco
equipo y mano de obra que requiere y, además, la flexibilidad de medición, puesto que
no es necesario acondicionar el tamaño de la unidad muestral a las condiciones
particulares de la vegetación (Matteucci & Colma, 1982).
Figura 23 Punto - Centro – Cuadrado
Fuente: (Mostacedo & Fredericksen, 2000)
45
En cada cuadrante se debe ubicar el árbol más cercano al punto central y tomar
solo 4 árboles (ver Figura 23); de los cuales se pueden tomar medidas de campo como
son: altura, Diámetro a la altura del pecho (DAP), forma de copa e infestación de
bejucos (Rojas, 2015). Según el manual de métodos básicos de muestreo y análisis
en ecología vegetal de Mostacedo & Fredericksen, mencionan que para realizar los
cálculos de densidad de árboles por hectárea se debe sacar el promedio de la distancia
del punto centro hacia cada individuo.
El cálculo es el siguiente:
\ℎ = �����"c� [ 13]
Donde:
- Dh = Densidad por hectárea,
- \c= Distancia promedio
2.13.3. Tamaño de la muestra
• Población
Conjunto sobre el cual se va a realizar la investigación. Está compuesta por
elementos. Puede ser de tamaño finito o infinito (Ludewing, 2006).
- Población finita
Se habla de que una población es finita cuando consta de un número limitado
de elementos (Ludewing, 2006).
• Muestra
Según Ludewing (2006), es un subconjunto de la población del que se dispone
de información necesaria para realizar el estudio. Puede ser muestras con poblaciones
finitas e infinitas.
46
• Muestra para poblaciones finitas
Para el cálculo de tamaño de muestra cuando el universo es finito, es decir
contable y la variable de tipo categórica, primero debe conocer "N" o sea el número
total de casos esperados o que ha habido en años anteriores (Supo, 2015). Si la
población es finita, es decir conocemos el total de la población y deseásemos saber
cuántos del total tendremos que estudiar la fórmula sería:
G = �∗de�∗f∗g��∗��_��ade�∗f∗g [ 14]
Dónde:
- N = Total de la población
- Zα= cálculo de Z está dado por en la Tabla 13.
- p = proporción esperada
- q = 1 – p
- d = precisión
Según Rojas (2011), el cálculo se puede realizar de acuerdo con la Tabla 13.
Tabla 13
Cálculo de la abscisa de la curva normal para un valor (Z)
TABLA DE APOYO AL CALCULO DEL TAMAÑO DE UNA MUESTRA POR NIVELES DE CONFIANZA
Certeza 95% 94% 93% 92% 91% 90% 80% 62.27% 50% Z 1.96 1.88 1.81 1.75 1.69 1.65 1.28 1 0.67 Z2 3.84 3.53 3.28 3.06 2.86 2.72 1.64 1.00 0.45
Fuente: tomado de (Rojas, 2011)
2.14. Estadísticos de control de calidad
2.14.1. Coeficiente de Correlación lineal de Pearson
En estadística, es una medida de la relación lineal entre dos variables aleatorias
cuantitativa, se utiliza como un índice para medir el grado de relación de dos variables
47
siempre (Vararey, 2015). El valor del índice de correlación varía en el intervalo de -1
a 1, indicando el signo el sentido de la relación:
- Si r = 1, existe una correlación positiva perfecta dependencia total entre las
dos variables = relación directa
- Si 0 < r < 1, existe una correlación positiva.
- Si r = 0, no existe relación lineal variables son independientes: pueden
existir todavía relaciones no lineales entre las dos variables.
2.14.2. Coeficiente de Determinación
El coeficiente de determinación r², es un coeficiente estadístico que sirve para
medir la bondad del ajuste del modelo de regresión, su unidad varia de 0 a 1 (Diaz,
2015). Se lo obtiene elevando al cuadrado el coeficiente de correlación de Pearson y
se interpreta cualitativamente, según la siguiente tabla.
Tabla 14
Bondad de ajuste en función del valor R2
Bondad del ajuste Significado R² Correlación positiva o directa perfecta
> 0,85
Correlación positiva 0,5 – 0,85 Correlación débil 0,4 – 0,5 Correlación negativa 0,3 – 0,4 Muy malo < 0,3
Fuente: modificado de (Diaz, 2015)
48
CAPITULO III
3. METODOLOGÍA
3.1. Generalidades
El presente estudio plantea desarrollar y comparar dos metodologías no
destructivas en la estimación de biomasa forestal a partir de imágenes Radar y
vehículos aéreos no tripulados (UAV). Se utilizaron dos métodos: experimental y
comparativo; experimental, en cuanto a la obtención de datos en campo para calcular
la biomasa forestal por ecuaciones alométricas y comparativo, ya que se estimó la
biomasa forestal por imagen Radar y UAV, uno al lado del otro, con la finalidad de
establecer sus similitudes y diferencias, y de ello sacar conclusiones o establecer
caminos futuros para mejorar el conocimiento en el tema de estimación de biomasa.
El desarrollo del proyecto, se definió en tres fases que en términos generales
del proyecto se describen como:
- Fase 1 (Recopilación y levantamiento de la información geoespacial)
- Fase 2 (Estimación de la biomasa forestal)
- Fase 3 (Comparación y validación de datos)
Inicialmente, se planificó y procesó la captura de imágenes obtenidas con UAV
y Radar; a continuación, se realizaron estimaciones de la biomasa forestal a partir de
ecuaciones alométricas (trabajo en campo), esta información sirvió con el fin de
relacionar los modelos de Estimación de Biomasa Forestal, tanto para la imagen Radar
como imágenes capturadas con UAV. Denominado de ahora en adelante, modelo de
Estimación de Biomasa Forestal (1), el generado con Backscattering/ retrodispersión;
modelo de Estimación de Biomasa Forestal (2),el creado con CMS(Crop Model
Surface) y modelo de Estimación de Biomasa Forestal (3), el producido con el índice
de vegetación GNDVI.
49
Estos modelos fueron analizados y comparados con la Estimación de Biomasa
Forestal mediante ecuaciones alométricas para definir una correlación entre los dos
productos. Estos procedimientos, por fases del proyecto, se ilustran en la Figura 24.
Figura 24 Metodología general del proyecto
50
3.2. Recopilación y levantamiento de la información geoespacial
3.2.1. Recopilación de imagen Radar
Para la recopilación de la imagen Radar se contó con el portal de datos,
denominado UAF (Alaska Satellite Facility’s). La imagen descarga del portal, fue una
ALOS PALSAR, adquirida el 10 de Septiembre de 2010, de pasada ascendente, con
polarizaciones HH+HV, con un nivel de procesamiento 1.1; en la Figura 25, se observa
la imagen Radar adquirida, la misma que, no dispone de ningún proceso de corrección;
radiométrica y geométrica.
Figura 25 Imagen Radar Alos Palsar
• Tratamiento de la imagen Radar
La imagen Radar adquirida, se encuentra dentro de un fichero de datos Single
Look Complex (SLC), permitiendo una reducción en el tiempo de procesamiento. El
tratamiento de la imagen Radar, consintió: primero en una corrección geométrica y
radiométrica, seguida por la aplicación de un filtro.
51
• Corrección geométrica y radiométrica
Para el desarrollo de las correcciones mencionadas, se empleó el software
SNAP Desktop, mediante la opción de corrección geométrica y radiométrica que
proporciona el módulo de Range Doppler Terrain Correction, como se muestra en la
Figura 26.
Figura 26 Módulo de Range Doppler Terrain Correction
Se eligió un tamaño de pixel de 20 m, a fin de relacionar el tamaño del píxel de
la imagen ortorectificada con el muestreo de vegetación. En la Figura 27 se observa la
52
imagen radar corregida, con sus respectivas bandas de interés (Sigma0_HV y
Sigma0_HH).
Figura 27 Imagen Radar corregida geométricamente y radiométricamente
• Speckle Filter
En la anterior se observa la imagen Radar afectada en mayor o menor grado
por un cierto ruido, llamado generalmente speckle, que aparece como una textura
granulada en toda la imagen o como un efecto de “sal y pimienta”. En general, es un
ruido indeseado que degrada la calidad final de la imagen y dificulta la interpretación
de la misma. Para mejorar la calidad de la imagen, se aplicó un filtro denominado
“Speckle Filter” del software SNAP Desktop.
Los pasos a realizarse para el tratamiento de la imagen Radar, se encuentran en
el anexo 1 y en el ítem 4.1.1 de resultados, se observa la imagen Radar tratada y/o
estandarizada con sus respectivas bandas de interés (Sigma0_HV y Sigma0_HH);
además la imagen tratada fue almacenada en una geodatabase totalmente
estructurada(ver ítem 3.2.3).
53
3.2.2. Captura y proceso de imágenes obtenidas mediante UAV (Unmanned Aerial Vehicle)
A continuación, en la Figura 28 se puede apreciar la metodología utilizada para la
captura y proceso de imágenes obtenidas por UAV.
Figura 28 Captura y proceso de imágenes obtenidas por UAV
• Plan de vuelo
El plan de vuelo es la primera fase hacia la captura o levantamiento de
imágenes con tecnología UAV, fue importante conocer la zona de estudio y observar
variables que puedan afectar a la seguridad de esta tecnología, logrando así, delimitar una
zona de estudio adecuada.
Se realizaron dos planes de vuelo y dos vuelos, tanto para la cámara RGB y
BGNIR respectivamente; mediante la aplicación móvil “PrecisionFlight for DJI”; esta
aplicación gratuita cuenta con una interfaz de usuario altamente intuitiva, que crea
fácilmente planes de vuelo y guían automáticamente al avión no tripulado en la captura
de imágenes aéreas. Para los dos planes de vuelo, se delimitó la misma zona de vuelo
y los mismos parámetros iniciales, indicados en la Tabla 15.
Tabla 15
Parámetros iniciales y resultantes del plan de vuelo
Parámetros iniciales Área 40,8 ha
Altura del vuelo 120 m
Continua
54
Traslapo Longitudinal 80 %
Traslapo Transversal 60 %
Parámetros resultantes
GSD 3.8 cm
Vuelos estimados 2
Número de imágenes 249
Líneas de vuelo 11
• Captura de imágenes RGB y multriespectral BGNIR
Se procede a la captura de imágenes con el UAV DJIMatrice100, sus
características están especificadas en el ítem 2.7.2; utilizando dos cámaras en vuelos
diferentes: Zenmuse X3, para imágenes RGB y BGNIR.
El tamaño de píxel o GSD resultante es calculado automáticamente por la
aplicación PrecisionFlight, en la Tabla 15, se visualizan los parámetros iniciales y
resultantes del vuelo con UAV. En la Figura 29, se observa la captura de las imágenes,
y en el anexo 2 se muestra el proceso del plan de vuelo; además todas las imágenes
resultantes se almacenaron en una Geodatabase.
Figura 29 Plan de vuelo en el software PrecisionFlight
a) Cámara RGB b) Cámara BGNIR
55
• Puntos de apoyo fotogramétrico o Ground Control Points (GCP)
La obtención de los puntos de apoyo fotogramétrico o Ground Control Points,
se necesitaron con el fin de orientar el bloque en el sistema de coordenadas terrestre,
además, permite que el software fotogramétrico, genere un proceso de orto-
rectificación con coordenadas de alta precisión.
Se determinaron diez puntos de control dentro de la zona de estudio (ver Figura
30); se materializaron mediante estacas de 30 cm de longitud y fueron distribuidos de
forma tal, que cubran el área de vuelo y en zonas abiertas que permitan la colocación
de los objetos identificables (marcas) necesarias para la generación de las ortomosaico.
Figura 30 Distribución de puntos de control fotogramétrico
Las marcas se colocaron en el centro de cada punto de control; a través de un
cuadrado de cartulina de color blanco de 0.70 cm de lado y sobreponiendo en la parte
superior izquierda, un cuadrado de cartulina de color negro de 0.35 cm de lado
(mostradas en la Figura 31), para poder tener el contraste necesario en su
identificación.
56
Figura 31 Marca
• Levantamiento Geodésico
El levantamiento geodésico de los puntos de apoyo fotogramétrico se realizó
desde el 4 al 6 de septiembre del 2017. Para realizar el rastreo GNSS (Global
Navigation Satelital System), se contó con el equipo Trimble 5800 (L1/L2), se utilizó
el método de posicionamiento estático, observando cada punto, un mínimo de una hora
y con un intervalo de registro de 30 segundos (ver Figura 32).
Figura 32 Toma GCP
Posteriormente, el post-proceso de los puntos de apoyo fotogramétrico se lo
realizó en el software “Trimble Business Center”, utilizando la estación EPEC de la
Red GNSS de Monitoreo Continuo del Ecuador (REGME), estableciendo como
sistema de referencia, para términos prácticos, el World Geodesic System 1984
70
35 cm
57
(WGS84), con elipsoide geocéntrico WGS84; además, según el Instituto Geográfico
Militar (IGM, 2016) el sistema de proyección cartográfico de representación para el
Ecuador, es la proyección conforme Universal Transversa Mercator (UTM).
Las características de: ubicación, coordenadas, descripción y marcas, se
encuentran detalladas en las monografías de cada uno de los puntos (ver Anexo 3). Los
resultados del procesamiento de los puntos de control, se encuentran en el ítem 4.1.2.
• Ajuste automático del proyecto fotogramétrico
Para realizar el ajuste fotogramétrico de las imágenes obtenidas con ambas
cámaras, se empleó el software Agisoft PhotoScan Professional, este software utiliza
las coordenadas de los centros de exposición de cada imagen, para luego realizar la
aéreo-triangulación y finalmente, reconstruir el bloque fotogramétrico. El software
inicialmente trabaja con las coordenadas capturadas durante el vuelo por la antena de
la aeronave.
Toda la reconstrucción del bloque fotogramétrico se realizó de manera
automática, ya que el software reconoce y procesa los metadatos encriptados de cada
imagen, estos metadatos encriptados contienen la orientación interna y los ángulos
omega, phi y kappa. Cumplida la reconstrucción del bloque fotogramétrico, el software
genera automáticamente puntos de amarre (Tie points) para construir la ortofoto a
priori (ver Figura 33).
Figura 33 Tie points generado por PhotoScan
58
• Ajuste del proyecto fotogramétrico con puntos de control (GCP)
Luego del ajuste automático del proyecto fotogramétrico, se realizó la
ortorectificación; se importaron al PhotoScan las coordenadas de los GCP, los cuales
sirvieron con el objetivo de ajustar los dos proyectos fotogramétricos al sistema de
referencia. Al pinchar los puntos en todas las imágenes necesarias, se ajustaron los
bloques a coordenadas verdaderas (ver Figura 34), obteniendo como resultado: una
ortofoto ortorectificada de cada proyecto fotogramétrico, tanto para cámara RGB y
BGNIR; y un MDS con el proyecto fotogramétrico con cámara RGB, enlazados cada
uno al sistema de sistema de proyección cartográfico. Estos modelos se observan el
ítem 4.1.1 del capítulo de Resultados. El detalle completo del procedimiento se
encuentra descrito en el anexo 4 y sus resultados almacenados en una Geodatabase.
Figura 34 Puntos de control (GCP) del proyecto
3.2.3. Recopilación y almacenamiento de la cartografía básica y MDT de la zona de estudio
Toda la información requerida para el desarrollo del presente proyecto, fue
recopilada de organismos oficiales encargados de generar la información geográfica.
La cartografía básica; se descargó del portal web “Gobierno abierto del Municipio del
59
Distrito Metropolitano de Quito (MDMQ)” y el MDT, se obtuvo mediante oficio al
MDMQ.
Dentro del ítem 4.1.3 del capítulo de Resultados, se detallan cada uno de los archivos
recopilados, como son:
- Límite del parque metropolitano la Armenia
- Ortomosaico
- MDT
Todos los resultados que se generen en cada proceso metodológico e
información recopilada se procedieran a almacenar en una geodatabase denominada
“Base_Datos_La_Armenia”, la cual dispone de su modelo lógico, como se puede
observar en la Figura 35.
Figura 35 Modelo Lógico de la base de datos geográfica
GDB Feature Dataset
Raster Dataset
ARCHIVO_MDMQ
IMÁGEN_RADAR
Base_Datos_La_Armenia
CARTOGRAFIA_BASE
IMAGENES_UAV
RESULTADO_RADAR
RESULTADO_UAV_CMS
RESULTADO_UAV_GNDVI
60
3.3. Análisis de las metodologías de estimación de biomasa
3.3.1. Estimación de biomasa mediante ecuaciones alométricas
A continuación, en la Figura 36 se explica la metodología de la estimación de
biomasa por ecuaciones alométricas de forma general.
Figura 36 Metodología para Estimación de la Biomasa Forestal mediante
ecuaciones alometricas
• Delimitación de áreas para toma de muestras
El ortomosaico y los límites obtenidos en la fase previa (Fase 1), se utilizaron
para definir la cobertura forestal; las mismas que tienen características especiales como
son:
- Zonas forestales: aquellos terrenos con una cubierta forestal, es decir, con
árboles cuyas coronas cubran más del 20% de la superficie de un terreno y
deben ser mayor o igual a 1 hectárea. (Coll & Vehi, 1999).
61
Esta definición, se lo realizó mediante el uso de herramientas SIG y de procesos
de interpretación de imágenes, con la finalidad de discriminar las áreas de bosque a
considerar.
Una vez seleccionado el bosque, se procedió a parcelar la zona de estudio,
mediante un mallado de 100 x 100 m. (1ha) recomendado por Leblanc (2004);
cubriendo así, el área del proyecto (ver Figura 37).
Figura 37 Mallado de 100x100 m. (1ha)
Siguiendo la idea anterior, se procede a la selección de zonas forestales; es
decir, con árboles cuyas coronas cubran más del 20% de la superficie de una hectárea,
este proceso fue necesarios para elegir un método de muestreo apropiado.
En la Figura 38, se aprecia el mallado de una hectárea de color amarillo; en
cambio, con el símbolo de asterisco (color verde), se contrastan las parcelas que
cumplieron correctamente con la definición de zonas forestales (coronas que cubren
más del 20% de la superficie).
62
Figura 38 Cobertura forestal al 20%
• Tamaño de la muestra
En cuanto al tamaño de la muestra, se consideró el proceso anterior; de
selección de cobertura forestal con un mínimo de 20% de contenido dentro de cada
parcela de estudio; permitiendo definir una población finita de parcelas (N = 26) y
aplicando la ecuación estadística numero [14]; con la cantidad de muestra sería:
G = >h∗�.ih�∗�.�j∗�.ij�.>�∗�>h_��a�.ih�∗�.�j∗�.ij = 13 parcelas
• Diseño del muestreo
Definido el tamaño de muestra, es necesario que sean distribuidos en toda el
área del proyecto. En los estudios ecológicos de vegetación, el diseño del muestreo es
la parte que requiere mayor cuidado, ya que éste determina el éxito potencial del
mismo.
63
Este proceso se lo realizó mediante un análisis de muestreo aleatorio simple;
según Rojas (2015), este muestreo proporciona una equidad en las probabilidades de
ser seleccionados, considerando que la elección de una parcela no influya en las
siguientes parcelas (ver Figura 39).
Figura 39 Selección de parcelas para muestreo
• Elección del tipo de muestreo de vegetación
Con la determinación de las zonas idóneas para el muestreo de campo, se
definió un tipo de muestreo de vegetación para las mediciones forestales típicas
(medidas del árbol); en este sentido, se ha adaptado la metodología de punto centro
cuadrado descrito en el ítem 2.13.2.
Por lo cual, en el desarrollo de esta metodología, lo primero que se hizo, fue
extraer las coordenadas del centro de cada parcela y localizarlas en campo mediante
un equipo GPS navegador; con ayuda de una brújula se orientó uno de los vértices al
norte e imaginariamente se procedió a subparcelar cada parcela en 4 partes;
localizando sus puntos medios e incluido el punto medio de la parcela total, en efecto
se tiene 5 puntos por cada parcela.
64
Con la determinación de estos puntos, se midieron 4 árboles por cada punto
medio, teniendo que medir en total 20 árboles por parcela, todo este proceso se detalla
en el esquema de la figura 40.
Figura 40 Metodología punto - centro – cuadrado
1. Orientar al Norte
2. Dividir en 4 subparcelas
3. Ubicar el centro
4. Medir aleatoriamente 4 árboles ha
5. Esquema final por parcela = 20 arboles
25 m
25 m
65
• Medidas de Campo
La medición forestal más común, es el diámetro a altura de pecho (DAP); las
mediciones del DAP fueron utilizadas con la finalidad de calcular las estimaciones de
biomasa forestal de cada individuo arbóreo. Tomar la medición del DAP de un árbol
es relativamente fácil de hacerlo (ver Figura 41).
Figura 41 Medición del DAP
En el desarrollo del proyecto, se tomó el diámetro superior a 10 cm de acuerdo
a Brown (1997); en varios estudios demuestran que el DAP < 10 cm representa menos
del 5% de biomasa, además según Rojas (2015) menciona que este umbral asegura que
la mayoría de los árboles contribuyen al total de la biomasa sobre el suelo.
Se recolectaron las medidas del árbol en una hoja de campo propuesta, la
misma que tiene la finalidad, de llevar el registro de la información adquirida de
manera física, en el Anexo 5, se registran todas las hojas de campo procedente del
proyecto.
66
• Estimación de biomasa forestal
Una vez adquirida la información del DAP, estas fueron tabuladas en hojas de
cálculo por cada parcela de estudio, a fin de obtener los resultados de estimación de
biomasa en toneladas métricas, de acuerdo a lo detallado en el ítem 3.3.1; para esto,
fue necesario el siguiente procedimiento:
1. Se calculó la biomasa por cada individuo/especie mediante la aplicación
de las ecuaciones [7] y [8], con los parámetros descritos en la Tabla 10;
en el anexo 6 se muestra los resultados de biomasa por individuo y en
la Figura 42 se observa un ejemplo del cálculo realizado para la parcela
1.
Figura 42 Cálculo de biomasa individual de la parcela 1
67
2. Por otro lado, el cálculo realizado anteriormente se expresa en unidad
de kg/individuo; a fin de obtener en unidades de biomasa (Tn /ha), se
aplicó la ecuación [9].
3. Por consiguiente, se usó el factor 0,5 para transformar la biomasa
forestal en contenido de carbono aéreo (CAC).
4. Finalmente, al paso anterior, se aplicó la ecuación [10], para calcular el
CO2 equivalente.
En el ítem 4.2 del capítulo de Resultados, mediante la Tabla 18 se resumen los
resultados obtenidos de la estimación de biomasa por ecuaciones alométricas (medidas
en campo), valores estimados por hectárea.
3.3.2. Estimación de biomasa mediante imagen Radar
A continuación, en la Figura 43 se explica de manera general, el proceso
metodológico de la estimación de biomasa por imagen Radar.
Figura43 Metodología para Estimación de la Biomasa Forestal mediante imagen
Radar
68
Para la determinación de biomasa mediante Radar, se empleó la ecuación [11]
derivada de Saatchi et al. (2007); ya que a través de varias investigaciones, como por
ejemplo: la investigación de Carreiras, et al., (2012), se demuestra una clara relación
entre la banda L que posee una imagen ALOS PALSAR, con la estimación de la
biomasa forestal.
El primer paso para el desarrollo de esta metodología, fue la obtención de los
coeficientes de retrodispersión de la imagen Radar, tanto para la polarización HH
(σNN� ) y HV (�IK
� ), de cada parcela de muestreo; como se mencionó en el ítem 3.3.1,
estas áreas fueron seleccionadas a partir de una malla de 100 x 100 metros, lo que
corresponde a un conjunto de 5 x 5 píxeles (ver Figura 44). La extracción de los niveles
digital (ND) de cada parcela, se realizó mediante un promedio de los ND del conjunto
5x5 de cada parcela, a fin de relacionar esta información con los datos obtenidos de
las medidas de campo.
Figura 44 Nivel Digital del pixel
El segundo paso es el establecimiento de los coeficientes presentes en la
ecuación [13], siendo estos; a0, a1, a2, a3, y a4, estos coeficientes se obtuvieron a
partir de una regresión no lineal en el software estadístico SPSS (Statistical Package
for the Social Sciences); para lo cual, se relacionaron los datos de alometría con los
niveles digitales promedio de la imagen Radar, mencionadas anteriormente.
A partir de la obtención de los coeficientes, se generó una banda, mediante la
herramienta “band math” del software ENVI. Aplicando la ecuación [11], se obtuvo
el modelo 1 de Estimación de Biomasa Forestal mediante imagen Radar. Los
69
resultados se describen en la Tabla 19 del ítem 4.3 y el proceso se encuentra explicado
en el anexo 7.
3.3.3. Estimación de biomasa mediante imágenes UAV
• Estimación de biomasa mediante CMS (Crop Model Surface)
Entre las diferentes variables medidas en un árbol, normalmente, existe algún
tipo de relación; una de esas relaciones, bastante usada en el área forestal, es la relación
entre la altura del árbol y el DAP. En general, a mayor DAP mayor es la altura del
árbol.
La medición de la altura es costosa y difícil que la medición del DAP (Cancino,
2006); por esta razón, y debido a que existe una estrecha relación entre la altura de un
árbol y el diámetro de fuste, se propuso medir dicha altura a través del uso del Crop
Model Surface (CMS); con el objetivo de relacionar esta medida con la biomasa
estimada por ecuaciones alométricas, en donde su principal parámetro es el DAP. Esta
metodología se explica en la Figura 45 de manera general.
Figura45 Metodología para Estimación de la Biomasa Forestal mediante CMS
70
El primer paso fue realizar el CMS, que se calcula mediante la diferencia entre
el MDS con cámara RGB generado en el ítem 3.2.2 y el MDT frecopilado por el
MDMQ, logrando obtener la altura de los árboles de la zona de estudio. Una vez
obtenido el CMS (ver Figura 46), se realizó un resample a 20m con el objetivo de
relacionar el muestreo de vegetación y también con la metodología descrita en el ítem
anterior (Radar).
Figura 46 Obtención del CMS (Modelo de superficie de cultivo)
Al listado de las parcelas con datos de biomasa (alometría), se agregó el valor
digital (VD) promedio del CMS; se aplicó una correlación, utilizando el software
estadístico SPSS (Statistical Package for the Social Sciences), permitiendo generar un
modelo logarítmico de regresión entre el factor dependiente (biomasa por alometría) e
independiente (VD del MSC); el ajuste del modelo logarítmico se encuentra en la
Figura 67 del ítem 4.4.1 del capítulo de Resultados.
A partir del modelo logarítmico, se generó una nueva banda, mediante la
herramienta “band math” del software ENVI; aplicando la ecuación [15] resultante del
modelo logarítmico, se obtuvo el modelo 2 de Estimación de Biomasa Forestal
mediante CMS (Crop Model Surface).
y = 5,5784ln(x) + 39,092 [15]
Donde:
y = variable dependienteBiomasa aérea forestal (tn/ha)
71
x = variable independiente Valor digital del CMS
Los resultados se describen en la Tabla 20 del ítem 4.4.1 y el proceso más detallado se
encuentra en el anexo 8.
• Estimación de biomasa mediante GNDVI
A continuación, en la Figura 47 se explica de manera general, el proceso metodológico
de la estimación de biomasa por GNDVI.
Figura47 Metodología para estimación de la Biomasa Forestal mediante GNDVI
Para la determinación de biomasa mediante esta metodología, inicialmente se
calculó el índice de vegetación de diferencia normalizada verde (GNDVI), a través del
servidor web PrecisionMapper (ver Figura 48), el cual funciona con conexión a
internet y pago de suscripción. Gitelson et al., (1996), propusieron el uso del este índice
para estimar la biomasa aérea de cultivos; además, se demostró en la investigación
realizada por Moges, et al., (2004), que este indice se correlacionó de forma más
consistente con la biomasa, logrando obtener un correlación aceptable y útil para
evaluar la variación del dosel.
72
Figura 48 Generación del GNDVI
El siguiente paso, fue descargar el GNDVI en formato raster del portal web
PrecisionMapper (ver Figura 49), así mismo se realizó un resample a 20m con el
objetivo de relacionar el muestreo de vegetación y con las metodologías descritas en
los ítems anteriores sobre Radar y CMS.
Figura 49 Modelo GNDVI del PresicionMapper
Siguiendo la idea anterior, al listado de las parcelas con datos de biomasa por
alometría, se agregó el valor digital (VD) promedio del GNDVI; se aplicó una
73
correlación, a través del software estadístico SPSS (Statistical Package for the Social
Sciences), permitiendo generar un modelo de regresión cuadrática entre las variables:
dependiente (biomasa por alometría) e independiente (VD del GNDVI), el ajuste del
modelo se encuentra en la Figura 70 ítem 4.4.2 del capítulo de Resultados.
A partir del modelo cuadrático, se generó una banda, mediante la herramienta
“band math” del software ENVI; aplicando la ecuación ecuación [16] resultante del
modelo cuadrático, se obtuvo el modelo 3 de Estimación de Biomasa Forestal
mediante GNDVI.
y = -3122,3x2 + 4230x - 1376,1 [16]
Donde:
y = variable dependienteBiomasa aérea Forestal (tn/ha)
x = variable independiente valor digital del GDVI
Los resultados se describen en la Tabla 21 del ítem 4.4.2 del capítulo de
Resultados y el proceso más detallado se encuentra en el anexo 9.
3.4. Control de calidad
En la Figura 50, se explica de manera general la metodología que se siguió en
este ítem.
Figura 50 Metodología de la Fase 3 del proyecto
74
3.4.1. Análisis de la comparación de las diferentes metodologías
Se realizaron tres comparaciones:
- Correlación 1: Biomasa obtenida por ecuaciones alométricas (Alometría) vs.
Biomasa obtenida del mapa de Estimación de Biomasa Forestal mediante Radar
(Modelo 1)
- Correlación 2: Biomasa obtenido por ecuaciones alométricas (Alometría) vs.
Biomasa obtenida del mapa de Estimación de Biomasa Forestal mediante UAV – CMS
(Modelo 2)
- Correlación 3: Biomasa obtenido por ecuaciones alométricas (Alometría) vs.
Biomasa obtenida del mapa de Estimación de Biomasa Forestal mediante UAV –
GNDVI (Modelo 3)
Para las tres comparaciones se siguieron los mismos pasos que se describen a
continuación:
• Obtención de valores de biomasa entre los diferentes mapas
Se extrajeron los valores digitales (pixeles) de cada mapa de Estimación de
biomasa forestal que coincidieron espacialmente con las parcelas tomadas en campo.
Para ello, se utilizó la herramienta Raster to point del software ArcGIS, la cual genera
puntos con los valores digitales de Biomasa; luego se procede a realizar una selección
por localización de los puntos que se encuentran dentro de cada parcela y así obtener
la biomasa acumulada a través de la herramienta Statistics del mismo software (ver
Figura 51), es decir, la biomasa total de cada parcela de muestreo y posteriormente
esos valores fueron llenadas en una tabla de SPSS.
Figura 51 Proceso para la obtención de AGB acumulada
75
• Análisis de datos
El análisis de datos tiene por objetivo, describir los datos e identificar errores
o inconsistencias mediante índices y gráficos. Este análisis se realizó para los cuatro
grupos de datos obtenidos:
- Valores de biomasa obtenidos por ecuaciones alométricas (Alometría)
- Valores de biomasa obtenidos por imagen Radar (Modelo 1)
- Valores de biomasa obtenidos por imagen UAV - CMS (Modelo 2)
- Valores de biomasa obtenidos por imagen UAV – GNDVI (Modelo 3)
Así mismo, se obtuvieron algunas medidas estadísticas básicas, como: media,
mediana, coeficiente de asimetría, error estándar de asimetría, máximo valor, mínimo
valor, suma y número de datos (ver Figura 52).
Figura 52 Parámetros estadísticos utilizados
Además se construyeron histogramas para analizar gráficamente el comportamiento
de los datos de acuerdo a su tendencia central; se obtuvieron diagramas de caja, con el
objetivo de analizar la distribución de datos e identificar los valores atípicos en el caso
76
que existan. Todos los gráficos antes mencionados, se realizaron en el programa SPSS,
y se muestran en ítem 4.5 del capítulo de Resultados con su respectivo análisis.
• Correlación de la biomasa
Se utilizó un análisis de correlación por el método de Pearson descrito en el
ítem 2.14.1, con el fin de comparar las estimaciones de biomasa acumuladas,
resultantes de las diferentes metodologías empleadas en este proyecto. Esta correlación
proporciona la medida de intensidad de la relación lineal entre las cuatro metodologías;
al momento de medir el grado en que se encuentran correlacionadas, se podrá observar
la relación que tienen entre sí las diferentes metodologías.
Se elaboró una tabla en la que se agruparon los cuatro conjuntos de valores de
biomasa a correlacionar (ver Tabla 16).
Tabla 16
Agrupación de datos obtenida por diferentes metodologías
Sitio de Muestreo
Biomasa Aérea Forestal
Acumulada por Alometría
(Tn/ha)
Biomasa Aérea Forestal
Acumulada por Radar (Tn/ha)
Biomasa Aérea Forestal
Acumulada por UAV - CMS
(Tn/ha)
Biomasa Aérea Forestal
Acumulada por UAV - GNDVI
(Tn/ha)
Parcela 1 1184,712 1070,092 1497,783 1153,356
Parcela 2 1090,416 710,001 1175,114 1158,098
Parcela 3 967,9644 577,031 723,279 818,933
Parcela 4 1060,939 667,642 767,038 773,527
Parcela 5 1188,078 1078,056 1155,752 1268,623
Parcela 6 1091,484 812,269 723,279 976,791
Parcela 7 1124,829 900,895 1399,377 1038,176
Parcela 8 1049,998 616,652 1082,218 1093,013
Parcela 9 1161,090 1011,501 1242,985 1211,85
Parcela 10 1150,145 992,740 1338,673 890,718
Parcela 11 1124,584 838,053 1450,061 1269,238
Parcela 12 1150,027 925,097 1410,460 1158,078
Parcela 13 962,235 391,777 679,533 713,734
77
Finalmente, se empleó la opción Coeficiente de correlación del módulo
Analizar del software SPSS, la que permitió obtener los coeficientes de correlación de
Pearson (ver Figura 53). Dichos valores y su discusión se encuentran detallados en el
ítem 4.5.1.
Figura 53 Modulo Coeficiente de correlación
En la figura anterior, se observa que las 4 variables a correlacionar tienen una
prueba de significancia bilateral es decir que su análisis se encuentran con un nivel de
confianza al 95%.
3.4.2. Validación de modelos para estimar biomasa
• Obtención de valores digitales independientes de los Modelos 1, 2 y 3
Según Molina (2016), un procedimiento riguroso de validación de un modelo
consiste en verificar los resultados con una muestra independiente de la utilizada para
construirlo, debido a que la bondad del ajuste no refleja necesariamente la bondad de
una predicción futura.
Por otro lado, el número de parcelas (26 parcelas) que componen la población,
no es numerosa y según Perez (2006), no se debe volver a calcular el tamaño de
muestra para validar los resultados; puesto que el tamaño de muestra (n = 13) utilizado
78
para construir los diferentes modelos representa la mitad de la población total.
Además, de acuerdo al trabajo en campo realizado, muestrear 1ha de terreno
representaría un gasto económico innecesario y tiempo desperdiciado; debido a esto
se propuso levantar el mismo tamaño de muestra pero con parcelas de 20 * 20 metros,
ya que el tamaño de pixel de los modelos es de 20m.
Para la validación de los modelos se utilizaron 13 subparcelas, seleccionados
mediante muestreo aleatorio simple (ver Figura 54). Se extrajeron los píxeles (valores
digitales) de cada modelo que coincidieron espacialmente con las subparcelas tomadas
en campo. Para ello, se utilizó la herramienta Sample del software ArcGIS, la cual
genera una tabla que incluye las coordenadas y los valores de estimación de biomasa
de los píxeles coincidentes.
Figura 54 Subparcelas de validación de modelos
• Correlación de la biomasa
Se elaboró una tabla en la que se agruparon los cuatro conjuntos de valores de
biomasa a validar (Alometría, Modelo 1, Modelo 2 y Modelo 3), la cual se presenta en
el ítem 4.5.3 del capítulo de Resultados.
79
Figura 55 Agrupación de datos
Finalmente, se aplicó el coeficiente de determinación R2 de la herramienta
SPSS (ver Figura 56), con el propósito de comprobar la bondad del ajuste del modelo
de regresión lineal, el cual se puede interpretar cualitativamente según la Tabla
definida por Díaz (2015).
Figura 56 Herramienta de correlación R2
80
CAPÍTULO IV
4. RESULTADOS
4.1. Información geoespacial recopilada y levantada
4.1.1. Resultado de la imagen Radar tratada y/o estandarizada
Una vez realizado el tratamiento de la imagen Radar, descrito en el ítem 3.2.1
del capítulo de Metodología, se procede a guardar la imagen en la Geodatabase creada
en el ítem 3.2.3; en la Figura 57 se observa la imagen Radar procesada y/o
estandarizada, con sus respectivas bandas de interés.
Figura 57 Imagen Radar estandarizada
Banda: HH Banda: HV
Corrección Geométrica y Radiométrica
Speckle Filter
81
4.1.2. Resultado del procesamiento de imágenes con UAV
- Resultado del levantamiento Geodésico
En la Tabla 17, se muestran los resultados obtenidos del postproceso de los 10
puntos de control, con sus correspondientes precisiones.
Tabla 17
Coordenadas de los GCP postprocesadas con el TBC y sus precisiones
Nombre Este (m) Norte (m) Altura
elipsoidal (m) Precisión
Horizontal (m)
Precisión Vertical
(m)
Punto 1 781623,6757 9970366,5270 2545,0768 ±0,016 ±0,073
Punto 2 781479,5045 9970091,2722 2551,6074 ± 0,01 ±0,064
Punto 3 781460,5662 9969793,7651 2558,2339 ±0,012 ±0,026
Punto 4 781651,1539 9969679,8263 2532,1889 ±0,012 ±0,014
Punto 5 782101,4521 9970344,7750 2518,773 ±0,007 ±0,012
Punto 6 781915,1226 9970091,3074 2525,2487 ±0,009 ±0,038
Punto 7 781645,4113 9969808,6658 2529,44 ±0,026 ±0,155
Punto 8 781640,2014 9970077,5945 2536,8839 ±0,014 ±0,092
Punto 9 781626,0093 9970245,5810 2542,3114 ±0,007 ±0,045
Punto 10 781780,5611 9970404,7136 2534,1107 ±0,078 ±0,045
- Resultado de captura de imágenes con UAV
Como resultado de este proceso se obtuvieron en total 498 imágenes; 249
imágenes para cámara RGB y 249 imágenes para cámara BGNIR, las mismas que se
almacenaron en la Geodatabase (ver Figura 58).
Figura 58 Imágenes UAV guardadas en la Geodatabase
82
- Resultado del ajuste fotogramétrico
En la Figura 59, se presenta el ortomosaico en color verdadero, generado con
las imágenes obtenidas a partir del vuelo realizado con el UAV y cámara RGB. En el
cual se aplicó una máscara, permitiendo extraer la zona de estudio.
Figura 59 Ortomosaico RGB
Paralelamente en la Figura 60, se despliega el ortomosaico en falso color,
adquirido a partir del vuelo realizado con el UAV y cámara BGNIR. Así mismo se
aplicó una máscara permitiendo extraer la zona de estudio.
Figura 60 Ortomosaico BGNIR
83
En cambio, en la Figura 61 se observa el Modelo Digital de Superficie (MDS)
en tono grises, obtenido del ajuste en la generación del otomosaico RGB. El mismo
que representa todos los elementos existentes o presentes en la superficie de la zona
de estudio (vegetación, infraestructura y el terreno propiamente). La degradación en
los tonos del modelo, simbolizan la variación de la altura en metros; dicha variación
de altura están entre 2578 m a 2478 m aproximadamente.
Figura 61 MDS de la zona de estudio
4.1.3. Resultado de la información secundaria recopilada (mapa base y MDT)
Se recopiló la información cartográfica para escala 1:5 000 que influye: mapa
base y los límites del Parque Metropolitano “La Armenia” en formato estándar
shapefile (.shp), que abarcan una extensión de 49 hectáreas y cubren el 100 % de la
zona de estudio.
Además se obtuvo, el modelo digital del terreno (MDT), con un pixel de 1
metro. En la Figura 62, se visualiza el Modelo Digital de Terreno (MDT) en tonos
grises. El mismo que constituye el relieve a nivel del suelo, describiendo los accidentes
geográficos y todos los elementos que se encuentran en la zona de estudio. Por ende,
la variación de color, muestra la variación de la altura del terreno en metros; dicha
variación, van desde 2486 m a 2530 m aproximadamente.
84
Continua
Figura 62 MDT de la zona de estudio
4.2. Resultados del análisis de estimación de biomasa mediante ecuaciones alométricas
A partir de la metodología descrita en el ítem 3.3.1, se obtuvo un resumen de
la estimación de biomasa por ecuaciones alométricas, detallado en la Tabla 18, y en el
anexo 6, se describen en otras tablas la estimación de cada parcela; así como, los
resultados de fijación de carbono.
Tabla 18
Resumen de la estimación de biomasa por ecuaciones alométricas
Sitio de muestreo
DAP Promedio
(cm)
Biomasa Aérea
Forestal Promedio (kg/árbol)
Biomasa Aérea
Forestal Promedio (Tn/ha)
Contenido de Carbono
Aéreo (Tn/ha)
CO2 Equivalente
(Tn/ha)
Biomasa Aérea Forestal
Acumulada (Tn/ha)
Parcela No.1 119,1 9,478 59,236 29,618 108,599 1184,713
Parcela No.2 109,15 8,723 54,521 27,260 99,955 1090,416
Parcela No.3 67,775 7,744 48,398 24,199 88,730 967,964
Parcela No.4 100,45 8,488 53,047 26,523 97,253 1060,939
Parcela No.5 133,05 9,505 59,404 29,702 108,907 1188,078
Parcela No.6 106,2 8,732 54,574 27,287 100,053 1091,484
85
Parcela No.7 121,9 8,999 56,241 28,121 103,109 1124,830
Parcela No.8 96,1 8,400 52,500 26,250 96,250 1049,999
Parcela No.9 133,9 9,289 58,055 29,027 106,433 1161,090
Parcela No.10 129,55 9,201 57,507 28,754 105,430 1150,146
Parcela No.11 101,35 8,997 56,229 28,115 103,087 1124,585
Parcela No.12 132,7 9,200 57,501 28,751 105,419 1150,028
Parcela No.13 67,8 7,698 48,112 24,056 88,205 962,235
Como se observa en la tabla anterior, la estimación de biomasa aérea forestal
acumulada, se encuentra con un valor mínimo de 962,235 tn/ha y un valor máximo de
1188,078 tn/ha, estas estimaciones corresponden a las parcelas número 13 y 5
respectivamente. De igual manera, su fijación CO2 equivalente van desde 88,205 CO2
tn/ha a 108,907 CO2 tn/ha.
4.3. Resultados del análisis de estimación de biomasa con imagen Radar
Los coeficientes obtenidos de la regresión no lineal a través del programa
SPSS, se aprecian en la Figura 63.
Figura 63 Estimación de parámetros
Esta regresión no lineal fue un método para encontrar un modelo no lineal para
la relación entre la variable dependiente (Biomasa por alometría) e independiente
(niveles digitales del Radar/ retrodispersión). A diferencia de la regresión lineal
tradicional, que está restringida a la estimación de modelos lineales, la regresión no
lineal puede estimar modelos con relaciones arbitrarias entre la variable independiente
y la dependiente.
86
Los resultados de los parámetros (a0, a1, a2, a3 y a4) de la ecuación [11], se
obtuvieron usando algoritmos de estimación iterativos como se ve en la segunda
columna de la figura anterior, con sus respectivos errores estándar y sus límites (límite
inferior y límite superior), con un intervalo de confianza del 95%.
La Figura 64, muestra los resultados del análisis de la varianza (ANOVA)
obteniendo un coeficiente de correlación (r2 =0,74). El coeficiente de correlación
positivo (r2), aquí adquirido, se asemeja al trabajo realizado por Carreiras, et al., (2012)
en el estudio de comprender la relación entre la biomasa aérea y datos provenientes de
una imagen Radar ALOS PALSAR.
Figura 64 Análisis ANOVA
Adicionalmente, se observa en la figura anterior, que ANOVA prueba la aceptabilidad
del modelo de regresión no lineal desde una perspectiva estadística. La fila de
regresión muestra información sobre la variación contabilizada por el modelo y la fila
residual muestra información sobre la variación que su modelo no tiene en cuenta; lo
cual indica que la suma de cuadrados de regresión es considerablemente mayor que la
suma de cuadrados residuales; demostrando así, que el modelo explica correctamente
cualquier variación existente en la variable dependiente (Biomasa por alometria).
Los resultados de Estimación de Biomasa Aérea Forestal mediante Radar
(Modelo 1), se realizó utilizando la ecuación [11], a través de los datos obtenidos por
ecuaciones alométricas de las 13 parcelas muestreadas, dentro de los 20 metros de
resolución de la imagen Radar ALOSPALSAR y que se presentan en la Tabla 19.
87
Tabla 19
Estimación de biomasa por imagen Radar
Sitio Muestre
σ0 HV σ
0 HH Ln(AGB)
Tn/ha
Biomasa Aérea Forestal
Promedio - Radar
(Tn/ha)
Contenido de Carbono
Aéreo - Radar (Tn/ha)
CO2 Equivale
nte – Radar (Tn/ha)
Biomasa Aérea Forestal
Acumulada - Radar
(Tn/ha)
1 0,0378 0,0805 4,0610 58,035 29,017 106,397 1070,092
2 0,0243 0,0855 3,9868 53,882 26,941 98,785 710,001
3 0,0121 0,0585 3,9080 49,800 24,900 91,300 577,031
4 0,0329 0,0852 4,0468 57,213 28,606 104,891 667,643
5 0,0365 0,0934 4,0468 57,213 28,606 104,891 1078,056
6 0,0221 0,0801 3,9729 53,137 26,568 97,419 812,269
7 0,0183 0,0584 4,0227 55,849 27,924 102,389 900,895
8 0,0265 0,0852 4,0086 55,070 27,535 100,963 616,652
9 0,0281 0,0854 4,0211 55,764 27,882 102,234 1011,501
10 0,0392 0,1066 4,0635 58,177 29,088 106,658 992,741
11 0,0386 0,0842 4,0521 57,518 28,759 105,450 838,053
12 0,0219 0,0671 4,0200 55,699 27,849 102,115 925,097
13 0,0604 0,1188 3,8692 47,901 23,950 87,819 391,777
Como se visualiza en la tabla, la estimación de biomasa aérea forestal
acumulada, se encuentra con un valor mínimo de 391,777 tn/ha y un valor máximo de
1078,056 tn/ha, estas estimaciones corresponden a las parcelas número 13 y 5
respectivamente. De igual manera, su fijación CO2 equivalente van desde 87,819 CO2
tn/ha a 104,891 CO2 tn/ha, de las parcelas mencionadas.
Figura 65 Estimación de AGB mediante Radar
88
El mapa que se presenta en la Figura 65 y más detallado en el anexo 10, muestra
una reclasificación en 10 clases a fin de interpretar los resultados, en particular solo se
considera la parte forestal del Parque Metropolitano “La Armenia”. A simple vista, se
observa que la escala de valores de la Biomasa Forestal va desde 16,79 tn/ha a 81,30
tn/ha.
La zona de estudio se caracteriza por tener en su mayoría tonalidades amarillas
y tomates, lo que denota que el bosque tiene materia orgánica aérea uniforme; por lo
tanto, los valores de biomasa que se destacan están entre 50,80 tn/ha a 74,81 tn/ha. Por
el contrario, en la zona Oeste del parque, se observa un tono rojizo en un área de 20
metros de resolución, pues la vegetación en esa zona son árboles recién plantados; lo
que fue comprobado con los registros de plantaciones, realizadas en el año de captura
de la imagen Radar.
4.4. Resultados del análisis de estimación de biomasa mediante imágenes UAV
4.4.1. Resultado de la estimación de biomasa por CMS (Crop Model Surface)
En la metodología descrita en el ítem 3.3.3, se ajustó el modelo a una regresión
logarítmica con un coeficiente de correlación positiva (r2 =0,67); los coeficientes
obtenidos de la regresión, a través del programa SPSS, se aprecian en la Figura 66,
dando como resultado la siguiente ecuación:
y = 5,5784ln(x) + 39,092 [17]
Donde:
y = variable dependienteBiomasa aérea forestal (tn/ha)
x = variable independiente Valor digital del CMS
89
Figura 66 Coeficientes de la Regresión logarítmica
En la figura anterior se muestran los coeficientes de la regresión logarítmica.
La columna etiquetada “Coeficientes no estandarizados”, contiene los coeficientes de
regresión parcial que definen la ecuación estadística de regresión [17]. El coeficiente
correspondiente a la Constante es el origen de la curva de regresión; el coeficiente
correspondiente a ln (Valor digital del modelo CMS), es la pendiente de la curva de
regresión e indica el cambio medio que corresponde a la variable dependiente
(Biomasa aérea forestal) por cada unidad de cambio de la variable independiente
(Valor digital del modelo CMS).
Figura 67 Modelo de regresión logarítmica
En la Figura 67 se aprecia: que a cada valor digital del modelo CMS le
corresponde una estimación de Biomasa aérea forestal basado en un incremento
90
constante de (39.092) mas 5.578 logaritmo natural del valor digital del modelo CMS;
además de obtener los estadísticos t y sus niveles críticos (Sig) diferentes de cero (ver
Figura 66); lo cual, nos permite interpretar que entre la variable dependiente e
independiente existe relación logarítmica significativa.
La Tabla 20, expone los resultados de la Estimación de Biomasa Aérea Forestal
por CMS (Modelo 2) utilizando la ecuación y = 5,5784ln(x) + 39,092
[15], a través de los datos obtenidos por ecuaciones alométricas de las 13 parcelas
muestreadas, dentro de los 20 metros de resolución del modelo CMS.
Tabla 20
Resumen de la estimación de biomasa por CMS
No. Parcela
Biomasa Aérea Forestal
Promedio por Alometria
(Tn/ha)
VD DEL MSC (m)
Biomasa Aérea
Forestal Promedio – UAV -CMS
(Tn/ha)
Contenido de Carbono
Aéreo - UAV -CMS
(Tn/ha)
CO2 Equivalente – UAV -CMS
(Tn/ha)
Biomasa Aérea Forestal
Acumulada - UAV -CMS
(Tn/ha)
Parcela 1 59,236 39,118 59,546 29,773 109,167 1497,783
Parcela 2 54,521 9,966 51,918 25,959 95,182 1175,114
Parcela 3 48,398 8,161 50,803 25,402 93,139 723,279
Parcela 4 53,047 8,687 51,151 25,576 93,778 767,038
Parcela 5 59,404 28,395 57,759 28,879 105,891 1155,752
Parcela 6 54,574 14,882 54,155 27,077 99,284 723,279
Parcela 7 56,241 22,087 56,357 28,179 103,321 1399,377
Parcela 8 52,500 19,399 55,633 27,817 101,994 1082,218
Parcela 9 58,055 16,003 54,560 27,280 100,026 1242,985
Parcela 10 57,507 25,173 57,087 28,543 104,659 1338,673
Parcela 11 56,229 30,874 58,225 29,113 106,747 1450,061
Parcela 12 57,501 26,304 57,332 28,666 105,108 1410,460
Parcela 13 48,112 8,160 50,802 25,401 93,137 679,533
Como se observa en la tabla anterior, la estimación de biomasa aérea forestal
acumulada, se encuentra con un valor mínimo de 679,533 tn/ha y un valor máximo de
1497,783 tn/ha, estas estimaciones corresponden a las parcelas número 13 y 1
respectivamente. De igual manera, su fijación CO2 equivalente va desde 93,137 CO2
tn/ha a 109,167 CO2 tn/ha, perteneciendo a las parcelas mencionadas anteriormente.
91
En la Figura 68, se ilustra el mapa del Modelo 2, generado con CMS, el cual
se encuentra a mayor detalle en el anexo 11. El mapa presenta una reclasificación en
10 clases, a fin de interpretar los resultados; en particular solo se enmarca la cobertura
forestal del Parque Metropolitano “La Armenia”. Además, se observa que la escala de
valores de la Biomasa Forestal va desde 15,92 tn/ha a 61,21 tn/ha, con tonalidades de
rojo a verde respectivamente.
La zona de estudio se caracteriza por tener en su mayoría tonalidades verde
claro, lo que indica que el bosque posee materia orgánica uniforme; por lo tanto, los
valores de biomasa que se destacan están entre 51,26 tn/ha a 61,21 tn/ha.
Figura 68 Estimación de AGB mediante CMS
Así mismo, en la imagen presentada se muestra ciertos tonos rojizos que cubren
cada una un área de 20 metros de resolución, pues la vegetación en esas zonas son
árboles muertos en pie; es decir sin hojas, lo que fue comprobado al momento de
realizar el muestreo en campo.
92
4.4.2. Resultado de la estimación de biomasa por Green Normalized Difference Vegetation Index (GNDVI)
En la metodología descrita en el ítem 3.3.3, se ajustó el modelo a una regresión
cuadrática con un coeficiente de correlación positiva (r2 =0,57); los parámetros
obtenidos de la regresión, a través del programa SPSS, se aprecian en la Figura 69,
dando como resultado la siguiente ecuación:
y = -3122,3x2 + 4230x - 1376,1 [18]
Donde:
y = variable dependienteBiomasa aérea Forestal (tn/ha)
x = variable independiente valor digital del GDVI
Según Reyes (2011), el modelo de regresión cuadrática es una alternativa
cuando el modelo lineal no logra un coeficiente de determinación apropiado, o cuando
el fenómeno en estudio tiene un comportamiento que puede considerarse como
parabólico. La forma más simple de tratar de establecer la tendencia es a través de un
diagrama de dispersión o nube de puntos, tal como se ve en la Figura 70.
Figura 69 Coeficientes de la Regresión Cuadrática
Respecto a la figura anterior se muestran los coeficientes de la regresión
cuadrática. La columna etiquetada “Coeficientes no estandarizados” contienes los
coeficientes de regresión parcial que definen la ecuación estadística de regresión [18].
El coeficiente correspondiente a la Constante es el origen de la curva de regresión; los
Coeficientes
Coeficientes no
estandarizados
Coeficientes
estandarizados
t Sig. B Error estándar Beta
Valor digital del
modelo GNDVI
4230 2893,652 21,146 1,470 ,172
Valor digital del
modelo GNDVI ** 2
-3122,3 2208,830 -20,444 -1,421 ,186
(Constante) -1371,1 947,057 -1,462 ,175
93
coeficientes correspondientes a Valor digital del modelo GNDVI son los parámetros
para la distribución cuadrática e indican el cambio medio que corresponde a la variable
dependiente (Biomasa aérea forestal) por cada unidad de cambio de la variable
independiente (Valor digital del modelo GNDVI).
En la Figura 70 se ilustra la regresión cuadrática entre los valores obtenidos en
campo, mediante alometría; versus los valores digitales del GNDVI.
Así mismo se aprecia que a cada valor digital del modelo GNDVI le
corresponde una estimación de Biomasa aérea forestal basado en un incremento
constante de -1371,1; más 4230 veces el valor digital del modelo CMS y menos 3122,3
veces el valor digital del modelo GNDVI al cuadrado.
Figura 70 Modelo cuadrático
La tabla 21, expone los resultados de la Estimación de Biomasa Aérea Forestal
por GNDVI (Modelo 3) utilizando la ecuación [18], a través de los datos obtenidos por
ecuaciones alométricas de las 13 parcelas muestreadas, dentro de los 20 metros de
resolución del modelo GNDVI.
Tabla 21
Resumen de la estimación de biomasa por GNDVI
No. Parcela
Biomasa Aérea Forestal
Promedio por Alometria
(Tn/ha)
VD DEL GNDVI
(m)
Biomasa Aérea
Forestal Promedio -
GNDVI (Tn/ha)
Contenido de Carbono Aéreo -GNDVI (Tn/ha)
CO2 Equivalente –
GNDVI (Tn/ha)
Biomasa Aérea Forestal
Acumulada - GNDVI (Tn/ha)
Continua
94
Parcela 1 59,236 0,675 56,552 28,276 103,679 1153,356
Parcela 2 54,521 0,665 56,061 28,031 102,779 1158,098
Parcela 3 48,398 0,639 52,043 26,021 95,412 818,933
Parcela 4 53,047 0,678 56,567 28,283 103,705 773,527
Parcela 5 59,404 0,652 54,498 27,249 99,914 1268,623
Parcela 6 54,574 0,668 56,318 28,159 103,250 976,791
Parcela 7 56,241 0,669 56,324 28,162 103,261 1038,176
Parcela 8 52,500 0,647 53,763 26,882 98,566 1093,013
Parcela 9 58,055 0,669 56,324 28,162 103,261 1211,850
Parcela 10 57,507 0,675 56,545 28,273 103,666 890,718
Parcela 11 56,229 0,687 56,267 28,133 103,710 1269,238
Parcela 12 57,501 0,678 56,569 28,284 103,156 1158,078
Parcela 13 48,112 0,622 46,913 23,457 86,007 713,734
Como se observa en la tabla, la estimación de biomasa aérea forestal
acumulada, tiene un valor mínimo de 713,734 tn/ha y un máximo de 1269,238 tn/ha;
estas estimaciones corresponden a las parcelas número 13 y 11 respectivamente. De
igual manera, su fijación CO2 equivalente va desde 86,007 CO2 tn/ha hasta 103,710
CO2 tn/ha, perteneciendo a las parcelas descritas.
En la Figura 71, se ilustra el mapa del modelo 3, generado con los valores
digitales del índice de vegetación GNDVI; el cual, se encuentra detallado en el Anexo
12.
Figura 71 Estimación de AGB mediante GNDVI
95
El mapa en cuestión, presenta una reclasificación en 10 clases a fin de
interpretar los resultados, de la cobertura forestal del Parque Metropolitano “La
Armenia”. En ese sentido, se observa que la escala de valores de la Biomasa Forestal
va desde 10,19 tn/ha a 61,21 tn/ha, con tonalidades de rojo a verde, respectivamente.
La zona de estudio se caracteriza por tener en su mayoría tonalidades verdes,
las cuales indican, que el bosque posee materia orgánica aérea uniforme; por lo tanto,
los valores de biomasa que se destacan están entre 50,36 tn/ha a 61,21 tn/ha. De igual
manera que en los dos mapa anteriores, se muestran ciertos tonos rojizos en un área de
20 metros de resolución; pues la vegetación en esa zona incluye árboles muertos en
pie (es decir sin hojas); lo que fue comprobado al momento de realizar el muestreo en
campo y la interpretación de imágenes con mejor resolución.
4.5. Resultados estadísticos de la comparación y validación de los métodos de cálculo de biomasa en el estudio
4.5.1. Resultado de la comparación de valores de biomasa entre los diferentes modelos
A continuación, se presenta los registros que contiene los cuatro conjuntos de
datos obtenidos; los que se les efectuó un análisis comparativo (ver Tabla 22).
Tabla 22
Resultado de Biomasa Aérea Forestal obtenida por diferentes métodos
Sitio de Muestreo
Biomasa Aérea Forestal
Acumulada por Alometría
(Tn/ha)
Biomasa Aérea Forestal
Acumulada por Radar (Tn/ha)
Biomasa Aérea Forestal
Acumulada por UAV - CMS
(Tn/ha)
Biomasa Aérea Forestal
Acumulada por UAV - GNDVI
(Tn/ha)
Parcela 1 1184,712 1070,092 1497,783 1153,356
Parcela 2 1090,416 710,001 1175,114 1158,098
Parcela 3 967,9644 577,031 723,279 818,933
Parcela 4 1060,939 667,642 767,038 773,527
Parcela 5 1188,078 1078,056 1155,752 1268,623
Parcela 6 1091,484 812,269 723,279 976,791
Continua
96
Parcela 7 1124,829 900,895 1399,377 1038,176
Parcela 8 1049,998 616,652 1082,218 1093,013
Parcela 9 1161,090 1011,501 1242,985 1211,85
Parcela 10 1150,145 992,740 1338,673 890,718
Parcela 11 1124,584 838,053 1450,061 1269,238
Parcela 12 1150,027 925,097 1410,460 1158,078
Parcela 13 962,235 391,777 679,533 713,734
4.5.2. Resultado del análisis de datos
• Análisis de datos de biomasa obtenidos por ecuaciones alométricas (Alometría)
En la Figura 72 se aprecian los estadísticos resultantes de la estimación de
biomasa obtenido por alometría (datos en campo).
Figura 72 Resumen estadístico (Alometría)
Como se observa, el valor mínimo es 962,24 tn/ha y el máximo es 1188,08
tn/ha de materia orgánica; con lo que se establece, que la estimación de biomasa
promedio por ecuaciones alométricas es de 1100, 50 tn/ha.
En cuanto a las medidas de tendencia central (media y mediana), toman valores
cercanos; demostrando así que los datos tienen una distribución normal. En la Figura
73 se ilustra el histograma del conjunto de datos.
97
Figura 73 Histograma de datos (Alometría)
Con el histograma, se contrasta la disposición de los datos y su distribución
normal mencionada anteriormente; con una curva asimétrica a la izquierda, en donde
la mayoría de los valores se encuentran cercanos a la media. El coeficiente de asimetría
(-0,830) Figura 4.16, al ser negativo, indica que existe una menor cantidad de datos
por debajo de la media.Por otro lado, se generó un diagrama de caja, que se visualiza
en la Figura 74.
Figura 74 Diagrama de caja de datos (Alometría)
El diagrama de caja expresa que todos los valores se encuentran dentro de los
límites establecidos como 1.5 veces el Rango Inter Cuartil (RIC = :uartil3 – :uartil1);
98
es decir, no existen datos atípicos en el conjunto. Así mismo se confirma que es una
distribución asimétrica a la izquierda o llamada asimétrica negativa.
• Análisis de datos de biomasa obtenidos por imagen Radar (Modelo 1)
Los estadísticos resultantes de la estimación de biomasa obtenidos por Radar
(Modelo 1), se detallan en la Figura 75.
Figura 75 Resumen estadístico (Modelo 1)
La figura se observa que, al igual que el conjunto de datos anterior, la media,
mediana y moda se encuentran cercanas, determinando así que se distribuyen
normalmente. De acuerdo a los valores máximos y mínimos, los datos estimados de
biomasa mediante imagen Radar se encuentran en una escala de 391,78 tn/ha a 1078,06
tn/ha de materia orgánica. El histograma correspondiente se encuentra en la Figura 76.
99
Figura 76 Histograma de datos (Modelo 1)
El coeficiente negativo de asimetría (-0,53), expuesto en la Figura 75, indica
que la mayoría de los datos se encuentran acumulados ligeramente hacia la izquierda
de la media, tal como se observa en la figura anterior; igualmente, se confirma la
distribución normal de los datos. En la Figura 77, se visualiza el diagrama de caja de
los datos.
Figura 77 Diagrama de caja de datos (Modelo 1)
Al observar el diagrama de caja anterior, se entiende que no existen valores
atípicos ya que todo el conjunto de datos se encuentra dentro de los límites
establecidos. Así como que es una distribución ligeramente asimétrica negativa.
100
• Análisis de datos de biomasa obtenidos por imagen UAV - CMS (Modelo 2)
La Figura 78 expone los estadísticos resultantes de la estimación de biomasa
obtenidos por imágenes UAV, usando el modelo CMS (Modelo 2).
Figura 78 Resumen estadístico (Modelo 2)
De igual forma, se detalla que la media y mediana tienen valores próximos, con
lo que, se considera que el grupo de datos se distribuye de forma normal; además, el
mínimo y máximo valor son: 679, 53 tn/ha y 1497,78 tn/ha, respectivamente.
El histograma de los datos estimados se encuentra en la Figura 79.
Figura 79 Histograma de datos (Modelo 2)
El histograma anterior, junto con el coeficiente de asimetría (-0,44) de la Figura
4.22, indican que los datos están acumulados en su mayoría debajo del valor de la
101
media; además se observa que existen datos uniformes. En la Figura 80 se expone el
diagrama de caja para estos datos.
Figura 80 Diagrama de caja de datos (Modelo 2)
El diagrama de caja, indica que no existen valores atípicos, ya que todo el
conjunto de datos se encuentra dentro de los límites establecidos. Paralelamente se
interpreta, que tiene una distribución asimétrica negativa.
• Análisis de datos de biomasa obtenidos por imagen UAV – GNDVI (Modelo 3)
.
Los estadísticos resultantes de la estimación de biomasa obtenidos por
imágenes UAV, usando el índice de vegetación GNDVI (Modelo 3), se presentan en
la Figura 81.
Figura 81 Resumen estadístico (Modelo 3)
102
La Figura 81, al igual que en los tres conjuntos de datos anteriores, la media y
mediana se encuentran cercanas; determinando así que se distribuyen normalmente.
De acuerdo a los valores máximos y mínimos estimados de biomasa obtenidos por el
índice de vegetación, estos se encuentran en un rango de 713,73 tn/ha a 1269, 24 tn/ha
de materia orgánica.
El histograma de los valores del Modelo 3 se presenta en la Figura 82.
Figura 82 Histograma de datos (Modelo 3)
El coeficiente negativo de asimetría (-0,50), expuesto en la Figura 81, indica
que la mayoría de los datos se encuentran acumulados ligeramente hacia la izquierda
de la media.
Finalmente, se visualiza el diagrama de caja de los datos en la Figura 83.
Figura 83 Diagrama de caja de datos (Modelo 3)
103
En el diagrama mencionado, se observa que no existen valores anómalos y que
todos se encuentran dentro de los límites establecidos. Así mismo se interpreta que
tiene una distribución asimétrica negativa.
4.5.3. Resultado de la correlación entre modelos
En la Figura 84, se observa la correlación de Pearson de los diferentes modelos
empleados en este proyecto, mediante el uso del software SPSS.
Figura 84 Resultados de las correlaciones
Interpretando el resultado, se observa en qué grado se encuentran
correlacionados, es decir la relación existente entre ellos.
Mediante el análisis de correlación de Pearson, tiene que:
- En cuanto a la comparación de datos de la Estimación de Biomasa Aérea
Forestal Acumulada - Alometría vs Modelo 1-Radar, se obtuvo un valor de
0,96.
- Para la comparación de datos por Alometría vs Modelo 2 (UAV-CMS), resulto
un valor de 0,79.
104
- En cambio, la comparación de datos por Alometría vs Modelo 3 (UAV -
GNDVI), se obtuvo un valor de 0,74.
Por lo tanto, en las tres comparaciones, los coeficientes de Pearson obtenidos, según
Diaz (2015), se trata de una correlación positiva.La mayoría de árboles de la zona de
estudio son coníferas y se hallan en plena edad adulta; además la especie predominante
es el Cupressus macrocarpa.
Según Montero & Muñoz (2005), ese tipo de especie se encuentran entre las plantas
con mayor biomasa por tener una masa vegetal significativa debido a su fuste y ramas,
además en varias investigaciones en donde estiman biomasa con sensores remotos se
ha demostrado que las especies coníferas son las que mayor correlación poseen. Esta
es la razón principal por la que los valores de correlación son altos y positivo para
cada caso. Idea que se contrasta con los estudios realizados por Carreiras, et al., (2012)
y Bending, et al., (2014), en estimar biomasa mediante Radar y usando el modelo
CMS, respectivamente.
En cambio, se observa que el menor coeficente de Pearson, es el obtenido por los datos
de indice de vegetacion GNDVI y se asemeja al estudio realiazado por Moges, et
al.,(2004), en el cual menciona: que para obtener una alta correlacion es preferible usar
el indice de vegetacion NDVI en estimar biomasa aérea forestal.
4.5.4. Resultado de la validación de los modelos 1, 2 y 3
A continuación, se presenta la tabla que contiene los cuatro conjuntos de datos
obtenidos para la validación (ver Tabla 23), datos, que se ajustaran a un modelo lineal,
para obtener su coeficiente de determinación R2.
Tabla 23
Resultado de Biomasa Aérea Forestal obtenida para validación de modelos
Sitio de Muestreo
Biomasa Aérea Forestal - Alometría
(Tn/ha)
Biomasa Aérea Forestal por
Radar (Tn/ha)
Biomasa Aérea Forestal por UAV
- CMS (Tn/ha)
Biomasa Aérea Forestal por UAV - GNDVI (Tn/ha)
Continua
105
1 59,430 56,928 58,744 53,340
2 54,897 54,628 46,991 45,332
3 47,596 50,866 37,222 35,228
4 45,401 49,437 36,105 12,757
5 64,146 62,913 60,675 56,407
6 50,955 54,211 41,561 43,573
7 59,139 56,918 58,407 52,851
8 49,383 53,683 40,077 35,518
9 58,932 56,438 54,501 52,803
10 56,267 56,346 54,094 51,648
11 55,009 54,955 49,320 50,566
12 60,190 56,935 59,182 55,793
13 46,175 50,251 36,661 23,065
La validación entre modelos, consistió en ajustar el valor obtenido en campo u
observado en el terreno con el valor resultante de los modelos de estimación de
biomasa. En particular, en la Figura 85 observamos los estadísticos descriptivos de la
validación; que incluye la media de cada modelo con su respectiva desviación
estándar. Los valores de la media de cada modelo se encuentran entre valores de 43,73
tn/ha a 55,577 tn/ha de materia orgánica, estimada entre el Modelo 3 y Modelo 1,
respectivamente.
Figura 85 Estadísticos descriptivos
Cuando se aplicó el modelo ajustado a las subparcelas de validación, se
obtuvieron los resultados que se muestran en la Figura 86.
106
Figura 86 Resumen del modelo ajustado
En la columna R, se observa el coeficiente de correlación de Pearson, que para
los tres modelos es una correlación positiva según Díaz (2015); en la columna R
cuadrado, se define el coeficiente de determinación, que cuantifica la bondad del ajuste
de los modelos. En este proyecto se obtuvieron un valor de R2 = 0,95 del Modelo 2,
definiéndose como una bondad de ajuste positiva o directa perfecta. En cambio el
Modelo 1 y 3 muestran un R2 = 0,70 y 0,83; interpretándose como una bondad de
ajuste positiva, según la Tabla 14.
Por otro lado, se generaron los gráficos de ajuste, que se visualizan en la Figura 87.
Figura 87 Ajuste de validación de los modelos: (a) Modelo 1; (b) Modelo 2; (c)
Modelo 3
c)
b) a)
107
La figura anterior, representan el ajuste de las estimaciones de AGB usando el
modelo lineal; este modelo lineal constituye una línea recta que resume los conjuntos
de datos de la validación, y demuestran una alta consistencia con las medidas de
campo. El grafico (b) es aquel que mejor bondad de ajuste posee por su coeficiente de
determinación positiva o directa perfecta (ver Figura 86).
108
CAPITULO V
5. CONCLUSIONES Y RECOMENDACIONES
Este último capítulo presenta las conclusiones y recomendaciones de este
proyecto, que están completamente asociadas a los objetivos establecidos. En cada una
de los métodos analizados, se verifica el uso potencial de las imágenes Radar y UAV
en la estimación de biomasa forestal por medio de la combinación de datos en campo
con el tipo de dato de los sensores remotos.
5.1. Conclusiones
Se cumplieron con todos los objetivos y metas propuestas en este proyecto,
incluyendo: la recopilación y levantamiento de la información geoespacial que formó
parte de la zona de estudio (ver ítem 4.1), mismos que dieron como resultado: una
imagen Radar ALOS PALSAR con polarización HH y HV procesada (ver ítem 4.1.1
y Anexo 1); en el levantamiento de imágenes RGB y multiespectral (BGNIR) a través
de UAV, dio como resultado: 2 Ortofotos (RGB y Multiespectral) y 1MDS (RGB) (ver
ítem 4.1.2 y Anexo 2 al 4) e información secundaria como la cartografía base y MDT
obtenida del MDMQ (ver ítem 4.1.3). Toda la información recolectada sirvió como
base para crear los modelos y mapas de estimación de biomasa aérea forestal, además
todos los resultados y geoinformación se almacenaron en una geodatabase.
En cuanto al análisis de los métodos de estimación de biomasa mediante el uso
de imagen Radar y Vehículos Aéreos No Tripulados – UAV, se obtuvo como
resultado: 20 registros de campo para la estimación por alometría (ver ítem 4.2 y
Anexo 5 y 6), además la generación de 3 mapas temáticos de los modelos de
estimación (ver ítem 4.3, 4.4 y Anexo 7 al 12) y finalmente 2 tablas de resultados,
tanto para la comparación y validación (ver Tabla 22 y 23), que permitieron realizar
sus respectivo análisis de correlación (ver ítem 4.5).
Se comprobó la importancia del tamaño de la parcela en el proceso de
construcción de cada modelo (ver ítem 3.3.1); las parcelas de muestreo fueron lo
109
suficientemente grandes para que incluyan cualquier variabilidad local y disminuir sus
errores en cuanto al tipo y densidad de los arboles existentes.
La metodología usada en la estimación de biomasa aérea forestal mediante
Radar (modelo 1) se ajustó a un modelo de regresión no lineal, la misma que es usada
por Carreiras, et al., (2012), en la cual obtiene un coeficiente de determinación r2
parecido a lo obtenido en este proyecto r2 =0,74(ver Figura 64); mientras que en la
metodología usada en la estimación de biomasa aérea forestal mediante CMS (modelo
2 ) se ajustó a una regresión logarítmica con un coeficiente de determinación r2
=0,67(ver Figura 67); en cambio en la obtención del modelo 3 por GNDVI se ajustó a
una regresión cuadrática, con un coeficiente de determinación r2 =0,57(ver Figura 70)
y se asemeja al estudio realiazado por Moges, et al.,(2004). El ajuste de los tres
modelos se define como una bondad de ajuste positiva.
Analizando los resultados de biomasa forestal acumulada mediante alometría,
Radar, CMS y GNDVI, se concluye que la mayor cantidad de estimaciones se
encuentran aglomerados por debajo de la media, sin presentar ningún valor atípico o
anómalo (ver Tabla 22).
En cuanto a la comparación y validación de datos, mediante el análisis del
coeficiente de correlación de Pearson y del coeficiente de determinación, se concluye
que el modelo 1 es mejor (ver Figura 84); sin embargo, es necesario indicar que el
modelo 1 no se ajusta a la realidad, ya que existe una gran diferencia entre las fechas
de toma de la imagen Radar versus los datos adquiridos en campo. Por lo tanto el
modelo 2 representa mejor la realidad, ya que puede caracterizar de mejor manera
cambios abruptos de la variable altura del árbol, debido a factores antrópicos y/o
naturales, como tala, quema, caída de un rayo en el árbol, entre otros, que el modelo 3
no puede realizar.
La mayoría de árboles de la zona de estudio son coníferas y se hallan en plena
edad adulta; además la especie predominante es el Cupressus macrocarpa. Según
Montero & Muñoz (2005), ese tipo de especie se encuentran entre las plantas con
mayor biomasa por tener una masa vegetal significativa, debido a su fuste y ramas.
Esta es la razón principal de que los valores de correlación son altos y positivos, para
110
cada caso; ya que en varios estudios se ha demostrado que las especies coniferas son
las que mejor se relacionan con el nivel de pixel de los sensores remotos; estimar
biomasa aérea forestal dependen mucho de las características del árbol por especie.
Esto se contrasta con los estudios realizados: Carreiras, et al., (2012) y Bending, et al.,
(2014), para estimar biomasa mediante Radar y usando el UAV respectivamente.
Estimar las reservas de biomasa de los bosques es importante para valorar la
cantidad de carbono que se almacena en las estructuras vivas en un momento dado, lo
cual es significativo para cuantificar la cantidad de gases(como por ejemplo el CO2)
del efecto invernadero que no se libera evitando la deforestación o quema del mismo.
Por tal motivo, el desarrollo de este proyecto servirá de dirección al momento de
implementar nuevas metodologías no destructivas para las estimaciones de AGB,
logrando una gestión sostenible de los recursos de los bosques y espacios verdes,
reduciendo costo y tiempo, para la toma de decisiones en el desarrollo de las políticas
relacionadas con el manejo forestal sostenible.
5.2. Recomendaciones
Se debe tomar en cuenta, el tamaño de parcela óptimo para la calibración o
construcción de los modelos de estimación, ya que no depende solo del tamaño de la
parcela, sino también de la relación existente entre los tamaños de las coronas de los
árboles dentro de la parcela. Las parcelas más grandes minimizan los efectos de borde de
parcela relacionadas con la incertidumbre en la inclusión o exclusión de la corona de un
árbol.
Esta investigación corrobora que la plataforma Radar puede utilizarse para
extender las estimaciones de biomasa; se recomienda realizar estimaciones para grandes
extensiones de terreno, una tarea que podría lograrse con ayuda de inventarios
forestales; además de utilizar otras bandas; como por ejemplo la banda P o C que
complementé la investigación, al estimar biomasa del fuste o subterránea; también usar
otras plataformas Radar que contengan las 4 polarizaciones (HH, HV, VV, VH), con
el fin de mejorar los resultados.
111
Para la aplicación de la metodología por UAV, en el desarrollo del CMS, es
recomendable densificar y distribuir más puntos de control; para obtener un excelente
MDS, que refleje correctamente la altura de la superficie. Además de utilizar otro
software fotogramétrico que pueda ayudar con los procesos de generación de
ortomosaicos y MDS, en especial para áreas forestales.
Dada la correlación encontrada mediante el índice de vegetación GNDVI, es
recomendable utilizar además otros índices de vegetación que complementen la
investigación, como: NDVI (Normalized Difference Vegetation Index), SAVI (Soil
Adjusted Vegetation Index), entre otros. Como una gran variedad de factores afecta
directamente la estimación de biomasa, los índices pueden emplearse para determinar
la influencia de dichos factores en una zona o momento. Así, pueden usarse para
determinar el efecto sobre la biomasa de sequías, anegamientos, incendios, desmontes,
granizo, plagas, o deficiencias nutricionales de un bosque.
Finalmente, el desarrollo de este proyecto ha permitido aplicar metodologías
no destructivas y correlacionar sus resultados con los datos de la imagen Radar y UAV;
sin embargo se puede mejorar, si se consideran otras variables como la densidad de
árboles, de tal forma que se podría aproximar a los resultados de las ecuaciones
alométricas en función de su densidad.
112
REFERENCIAS BIBLIOGRÁFICAS
Agisoft. (2015). Agisoft PhotoScan. Recuperado el 14 de Diciembre de 2017, de
http://www.agisoft.com/
Alvarez, J. (2005). Evaluación de la aplicabilidad de la teledetección radar a la
estimación de la humedad superficial del suelo en cuencas agrícolas.
Pamplona: Dpto de Proyectos e Ingeniería Rura, UPNA: 371.
Barrio, A., Baldoa, M., Castedo, D., Dieguez, A., & Alvarez, G. (2006). An
ecoregional model for estimating volume, biomass and carbon pools in
maritime pine stands in Galicia(northwestern Spain). España.
Baskerville, G. L. (1972). Use of logarithmic regression in the estimation of plant
biomass (Canadian Journal of Forestry 2, 49-53 ed.).
Bending, J., Bolten, A., Bennertz, S., Broscheit, J., Eichfuss, S., & Bareth, G. (2014).
Estimating Biomass of Barley Using Crop Surface Models(CSMs) Derived
from UAV-Based RGB Imaging (Institute of Geography, GIS & RS, University
of Cologne, 50923 Cologne, Germany ed.). Germany: Clement Atzberger and
Prasad S. Thenkabai.
Birk, R., Camus, W., Valenti, E., & McCandless, W. (1995). Synthetic Aperture Radar
Imaging Systems. IEEE AES Systems Magazine, (November).
Brown, S., Gillespie, A., & Lugo, A. (1989). Biomass estimation methods for tropical
forests with applications to forest inventory data. Forest Science.
Burbano, A. (2015). Planeación de vuelos fotogrametricos . Cali: Universidad del
valle.
C.C.R.S. (2011). Retrieved 2011-06-13. Canada: from http://www.ccrs.nrcan.gc.ca/.
Cancino, J. (2006). Dendrometria Básica (Concepción: Universidad de Concepción.
Facultad de Ciencias Forestales. Departamento manejo de Bosques y Medio
Ambiente ed.). Santiago de Chile.
113
Chuvieco, E. (1996). Fundamentos de teledetección espacial. Madrid, España: Rialp.,
Ed.
Chuvieco, E. (2007). Teledetección Ambiental (3ra edición ed.). Barcelona: Editorial
Ariel S.A.
Coll, J., & Vehi. (1999). Nociones elementales sobre inventarios forestales.
Congreso Forestal Mundial. (2015). Documentos finales del XIV Congreso Forestal
Mundial, celebrado en Durban. Sudáfrica: FAO.
Díaz Franco, R., Acosta Mireles, M., Carrillo Anzures, F., Buendía Rodríguez, E.,
Flores Ayala, E., & Etchevers Barra, J. (2007). Determinación de ecuaciones
alométricas para estimar biomasa y carbono en Pinus patula. Schl . et Cham,
13(1), 25–34.
Diaz, J. J. (Sep de 2015). Estudio de Índices de vegetación a partir de imágenes aéreas
tomadas desde UAS/RPAS y aplicaciones de estos a la agricultura de
precisión. Lima: Tesis de posgrado.
Diéguez, U., Barrio, M., Castedo, F., Ruiz, A., Álvarez, M., Álvarez, J., & Rojo, A.
(2003). Biomasa forestal (Ed. MundiPrensa y FUCOVASA ed.). Páginas 253-
260, en Dendrometría.
DJI. (2014). Caracteristicas del Matrice 100. Recuperado el 01 de 12 de 2017, de
https://www.dji.com/es/matrice100/info#downloads
EORC. (18 de Junio de 2010). EORC.JAXA. Obtenido de
http://www.eorc.jaxa.jp/ALOS/en/about/about_index.htm
EPMMOP. (2012). Parques y Áreas Verdes prioridad para los habitantes de Quito.
Recuperado el 21 de 05 de 2017, de
http://www.prensa.quito.gob.ec/index.php/index.php?module=Noticias&func
=news_user_view&id=7175&umt=Parques%20y%20%C1reas%20Verdes%2
0prioridad%20para%20los%20habitantes%20de%20Quito
ESA. (2012). European Space Agency . SNAP Desktop.
114
European Space Agency. (2007). Information on ALOS PALSAR Products for ADEN
Users.
Flynorth. (2015). Cartografía, Fotogramtría y SIG. Recuperado el 1 de Noviembre de
2017, de http://flynorthgroup.com/es/fotogrametria/
Frulla, L., Milovich, J., Karszenbaum, H., & Kandus, P. (1998). Metodologías de Pre-
procesamiento y Procesamiento Utilizadas en el Tratamiento Cuantitativo de
Datos SAR Para el Estudio de Ambientes en el Bajo Delta del Río Paraná
(Santos, Brasil, INPE: 1075-1086 ed.). Argentina: Anais IX Simpósio
Brasileiro de Sensoriamento Remoto.
Garcia, C., & Herrera, F. (2015). Percepción remota en cultivos de caña de azúcar
usando una cámara multiespectral en vehículos aéreos no tripulados
(Simposio Brasileiro Sensoriamento Remoto 2015 ed.).
Garcia, J. L., & Martinez, M. J. (2014). Biomasa y Biotecnología. Madrid: Consejo
Superior de Investigaciones Científicas.
Ghasemi, N., Sahebi, M. R., & Mohammadzadeh, A. (2011). A review on biomass
estimation methods using synthetic aperture radar data. International Journal
of Geomatics and Geosciences (1(4):776-778. ed.).
Grupo Empresarial ENCE. (2009). El Valor de la Biomasa Forestal.
Gutiérrez, E. (2010). Efectos de los aumentos de CO2 en la temperatura del aire y la
disponibilidad de nitrogeno en plantas de Trigo (Triticum aestivum L.).
España: Universidad de Salamanca. Facultad de Biología. Departamento de
Fisiología vegetal.
Henderson, F. M., & Lewis, A. J. (1998). Principles and Applications of Imaging
Radar. New York.
IGM. (2016). Especificaciones Técnicas para la producción de cartografia a escala
1:5000. Quito.
IGN. (2015). Curso de teledetección, fotogrametría, Lidar y ocupación del suelo
(CNIG ed.). Madrid: Instituto Geográfico Nacional.
115
INEGI. (2010). Instituto Nacional de Estadística y Geografía . Mexico.
IPCC. (2006). Intergovernmental Panel on Climate Change. Guidelines for National
Greenhouse Gas Inventories. Panel Intergubernamental del Cambio Climático.
Kemerer, A. (2007). Comparación de índices espectrales para la predicción del IAF
en campos de maíz (Asociación Española Teledetección ed.). Madrid:
Congreso de teledetección: hacía mejor entendimiento de la dinámica global y
regional.
Lillesand, T. M., Kiefer, R. W., & Chipman, J. W. (2004). Remote sensing and image
interpretation (5 Ed ed.). New York: John Miley & Sons.
López, M. J., & Denore, B. (1999). Los satélites de observación de la tierra en el 200.
Valencia: c.
Lu, D. (2006). The potential and challenge of remote sensing based biomass
estimation. International Journal of Remote Sensing, 27(7), 1297–1328.
doi:10.1080/01431160500486732.
Lucas, R., Armston, J., Fairfax, R., Fensham, R., Accad, A., Carreiras, K. J., & Peter
Bunting, P. (2010). An Evaluation of the ALOS PALSAR L-Band Backscatter—
Above Ground Biomass Relationship Queensland, Australia: Impacts of
Surface Moisture Condition and Vegetation Structure (EEE Jornal of Selected
Topics in Applied Earth Observations and Remote Sensing ed.).
Ludewing. (2006). Universo y Muestra (Instituto deInvestigaciones Económicas,
Dirección de Publicaciones ed.). Caracas.
Martinez, J., & Fernandez, A. (2004). Cambio climático una visión desde Mexico.
Mexico: Secretaria del medio ambiente y Recursos Naturales del Ecología.
Matteucci, D., & Colma, A. (1982). Metodología para el estudio de la vegetación.
Washington: Secretaría General de la Organizacin de los Estados Americanos.
Moges, S. M., Raun, W. R., Mullen, R. W., Freeman, K. W., Johnson, G. V., & Solie,
J. B. (2004). Evaluation of green, red and near infrared bands for predicting
116
winter wheat biomass, nitrogen uptake, and final grain yield (Department of
Biosystems and Agricultural Engineering ed.). Oklahoma: Plant Nutr.
Montero, G. R., & Muñoz, M. (2005). Producción de biomasa y fijación de CO2 por
los bosques españoles (Fotomecánica: Cicegra ed.). Madrid: Instituto Nacional
de Investigación y Tecnología Agraria y Alimentaria.
Mostacedo, B., & Fredericksen, T. (2000). Manual de métodos básicos de muestreo y
análisis en ecología vegetal. Santa Cruz, Bolivia.
Nguyen, N. T. (2010). Estimation and mapping of above ground biomass for the
assessment and mapping of carbon stocks in tropical forest using SAR data : a
case study in Afram headwaters forest, Ghana. Enschede: University of
Twente Faculty of Geo-Information and Earth Observation (ITC).
Páez, C. (2014). Estimación de biomasa forestal y capacidad de captura de carbono
de las especies forestales Weinmannia tomentosa Y Myrcianthes sp. Tunja:
Universidad Nacional Abierta y a distancia UNAD.
Popescu, S. C. (2007). Estimating biomass of individual pine trees using airborne
lidad (Biomass and Bioenergy, 31 (9), 646-655 ed.).
Rojas, S. (2011). Evaluación de metodologías para identificación de cambio de uso.
Escuela Politécnica del Ejército, Sangolquí, Ecuador.
Rojas, S. (2015). Estimación de biomasa forestal mediante el uso de imágenes Radar.
Madrid: Universidad Politécnica de Madrid.
Rügnitz, M. T., Chacón, M. L., & Porro, R. (2009). Guía para la determinación de
Carbono en Pequeñas Propiedades Rurales (1a. Ed. Centro Mundial
Agroforestal (ICRAF) ed.). Lima: Consorcio Iniciativa Amazónica (IA).
Schubert, A., & Small, D. (2008). Guide to ASAR Geocoding. Zürich, Germany:
Remote Sensing Laboratories.
Schubert, A., & Small, D. (2008). Guide to ASAR Geocoding. Zürich, Germany:
Remote Sensing Laboratories.
117
SENPLADES. (2013). Plan Nacional Buen Vivir. Quito: Secretaria Nacional de
Planificación y Desarrollo .
SIGSA. (2012). Distribuidor exclusivo de Esri . Recuperado el 22 de Noviembre de
2017, de http://www.sigsa.info
Skolnik, M. I., & McGraw, H. (1980). Introduction to Radar Systems. Second Edition.
Sorense, M., Barzetti, V., Keipi, K., & Williams, J. (1998). Manejo de las áreas verdes
urbanas. Estados Unidos.
Vararey, F. (2015). COEFICIENTE DE CORRELACIÓN LINEAL DE PEARSON.
Recuperado el 12 de Septiembre de 2017, de
https://personal.us.es/vararey/adatos2/correlacion.pdf
Wiora, G. (2005). Principle of a sonar or radar distance measurement.
Top Related